Neuro-YOLO-v۱۱ یک چارچوب پیشرفته برای افزایش دقت تشخیص تومور مغزی با ترکیب کانولوشن تغییرپذیر و مکانیزمهای توجه

تومورهای مغزی که با رشد غیر طبیعی سلولها در بافت مغز مشخص می شوند چالش های جدی در تشخیص زودهنگام و دقیق با استفاده از تصاویر رزونانس مغناطیسی (MRI) ایجاد می کنند. ناهمگونی بالای تصاویر، مرزهای نامشخص و هندسه نامنظم تومورها و پیچیدگی بافت، مغز دقت الگوریتم های تشخیص شیء فعلی را به طور قابل توجهی محدود می سازد. برای غلبه بر این چالش ها، این مقاله چارچوب نوآورانه Neuro-YOLO-v۱۱ را پیشنهاد می کند. این مدل بر پایه معماری پیشرفته YOLOv۱۱ ساخته شده و سه فناوری کلیدی را برای افزایش کارایی ادغام می کند: (۱) کانولوشن تغییرپذیر (Deformable Convolution)، یک مکانیزم کانولوشن پویا که شبکه نمونه برداری خود را برای انطباق با هندسه و شکل واقعی تومور به صورت پویا تنظیم می کند تا سازگاری مدل با مرزهای نامنظم به حداکثر برسد؛ (۲) ماژول توجه CBAM که با تمرکز همزمان بر ویژگی های مهم در ابعاد فضایی و کانالی توانایی مدل در تشخیص نواحی حیاتی تومور را بهبود می بخشد؛ و (۳) تابع زیان Inner-GIoU که با بهینه سازی فرآیند رگرسیون کادر مرزی، مکان یابی دقیق تر تومورها را به ویژه در سناریوهای پیچیده و همپوشان امکان پذیر می سازد. نتایج تجربی بر روی دو مجموعه داده عمومی، برتری قابل توجه مدل پیشنهادی را نشان می دهد. Neuro-YOLO-v۱۱ به میانگین دقت متوسط (۰.۵@mAP) ۹۸.۵۲ بر روی مجموعه داده Br۳۵H و ۹۷.۷۵ بر روی مجموعه داده Roboflow دست یافت که به طور چشمگیری از مدل های پیشرفته دیگر مانند YOLOvin بهتر عمل می کند.

کلیدواژه ها:

تشخیص اشیاء ، یادگیری عمیق ، تومور مغزی ، مکانیزم توجه ، کانولوشن پویا ، YOLOv۱۱