تشخیص ناهنجاریهای قفسه سینه در تصاویر CXR با استفاده از YOLOv۱۱ بهبود یافته با توجه هماهنگ

تفسیر رادیوگرافی قفسه سینه یک وظیفه اساسی و در عین حال چالش برانگیز در تشخیص بالینی است که اغلب به دلیل ظرافت یافته ها و تنوع بین ناظران با مشکل مواجه می شود. در حالی که مدل های تشخیص اشیاء، یادگیری عمیق به ویژه آشکارسازهای اشیاء مسیر امیدوار کننده ای برای تحلیل خودکار ارائه می دهند، رادیوگرافی قفسه سینه (CXR) معماری های استاندارد اغلب در ثبت اطلاعات دقیق موقعیتی مورد نیاز برای محلی سازی ناهنجاری های کوچک یا پراکنده ناتوان هستند. این پژوهش YOLOv۱۱-CA را معرفی می کند، یک چارچوب جدید تشخیص اشیاء که مدل پیشرفته YOLOv۱۱ را با مکانیزم توجه هماهنگ (CA) بهبود می بخشد. ماژول CA با تجزیه توجه کانالی به دو فرآیند کدگذاری ویژگی یک بعدی اطلاعات آگاه از جهت و حساس به موقعیت را در نقشه های ویژگی مدل تعبیه می کند و به آن امکان می دهد تا وابستگی های فضایی دوربرد را بهتر ثبت کند. ما مدل پیشنهادی خود را بر روی مجموعه داده چالش برانگیز ChestX-Det۱۰ ارزیابی می کنیم که شامل ۳۵۴۳ تصویر CXR با حاشیه نویسی برای ۱۰ ناهنجاری شایع قفسه سینه است. نتایج تجربی نشان می دهد که YOLOv۱۱-CA به میانگین دقت متوسط ۰.۳۵۲ و میانگین بازیابی ۰.۵۲۷ دست می یابد که به ترتیب نشان دهنده بهبود آماری معنادار ۲۸ و ۲.۴ نسبت به مدل پایه YOLOv۱۱ است. چارچوب پیشنهادی نه تنها وضعیت پیشرفته در تحلیل خودکار CXR را ارتقا می دهد، بلکه کارایی مکانیزم های توجه آگاه از فضا را برای وظایف پیچیده تصویربرداری پزشکی برجسته می کند.