تشخیص تومورهای مغزی کوچک و متاستاتیک در تصاویر MRI با استفاده از یک چارچوب YOLO بهبودیافته با توجه کانونی

تشخیص دقیق تومورهای مغزی کوچک و متاستاتیک در تصاویر رزونانس مغناطیسی (MRI) یکی از چالش برانگیزترین وظایف در رادیولوژی است زیرا این ضایعات اغلب دارای کنتراست پایین، ابعاد کوچک و مرزهای نامشخص هستند. مدل های تشخیص اشیاء استاندارد به دلیل ناتوانی در مدل سازی همزمان وابستگی های مکانی دوربرد و جزئیات دقیق محلی در این زمینه با محدودیت مواجه هستند. این مقاله یک چارچوب نوآورانه به نام YOLO-Focal را معرفی می کند که برای افزایش حساسیت و دقت در تشخیص این نوع تومورها در تصاویر MRI با استفاده از تابع زیان Focal Loss طراحی شده است. مدل پیشنهادی معماری پیشرفته YOLOv۱۱ را با دو جزء کلیدی بهبود می بخشد: (۱) مکانیزم توجه خودی کانونی (Focal Self-Attention) که با ترکیب تعاملات محلی دقیق و تعاملات سراسری درشت دانه به مدل اجازه می دهد تا همزمان بر جزئیات ظریف تومور و زمینه آناتومیک کلی مغز تمرکز کند؛ و (۲) تابع زیان Focal Loss که با کاهش وزن نمونه های منفی آسان بافت سالم مغز، فرآیند آموزش را بر روی نمونه های مثبت دشوار تومورهای کوچک متمرکز می سازد. در این پژوهش مدل YOLO-Focal را بر روی مجموعه داده عمومی BrainMetShare که شامل تصاویر MRI از بیماران با متاستازهای مغزی با ابعاد متفاوت است، ارزیابی کردیم. نتایج تجربی نشان می دهد که مدل پیشنهادی به میانگین دقت متوسط (mAP۰.۵) ۶۴.۳ دست می یابد که بهبود قابل توجهی به میزان ۵.۱ نسبت به مدل پایه YOLOv۱۱ است. نتایج این پژوهش نشان دهنده این است که ترکیب مکانیزم های توجه پیشرفته و توابع زیان بهینه سازی شده راهکاری موثر برای غلبه بر چالش های تشخیص ضایعات کوچک در تصویر برداری پزشکی است.

کلیدواژه ها:

تشخیص تومور مغزی ، تومورهای متاستاتیک ، یادگیری عمیق ، کانونی ، YOLOv۱۱ ، توجه