کنفرانس بین المللی محاسبات نرم

صفحه اصلی / ششمین کنفرانس بین المللی محاسبات نرم

Neuro-YOLO-v11: یک چارچوب پیشرفته برای افزایش دقت تشخیص تومور مغزی با ترکیب کانولوشن تغییرپذیر و مکانیزم‌های توجه

نویسندگان :

ملیکا قاسمی¹ حمیدرضا غفاری²

1- دانشگاه آزاد اسلامی واحد فردوس 2- دانشگاه آزاد اسلامی واحد فردوس

کلمات کلیدی :

تشخیص اشیاء،یادگیری عمیق،تومور مغزی،YOLOv11،مکانیزم توجه،کانولوشن پویا

چکیده :

تومورهای مغزی که با رشد غیرطبیعی سلول‌ها در بافت مغز مشخص می‌شوند، چالش‌های جدی در تشخیص زودهنگام و دقیق با استفاده از تصاویر رزونانس مغناطیسی (MRI) ایجاد می‌کنند. ناهمگونی بالای تصاویر، مرزهای نامشخص و هندسه نامنظم تومورها و پیچیدگی بافت مغز، دقت الگوریتم‌های تشخیص شیء فعلی را به طور قابل توجهی محدود می‌سازد. برای غلبه بر این چالش‌ها، این مقاله چارچوب نوآورانه Neuro-YOLO-v11 را پیشنهاد می‌کند. این مدل بر پایه معماری پیشرفته YOLOv11 ساخته شده و سه فناوری کلیدی را برای افزایش کارایی ادغام می‌کند: (۱) کانولوشن تغییرپذیر (Deformable Convolution)، یک مکانیزم کانولوشن پویا که شبکه نمونه‌برداری خود را برای انطباق با هندسه و شکل واقعی تومور به صورت پویا تنظیم می‌کند تا سازگاری مدل با مرزهای نامنظم به حداکثر برسد؛ (۲) ماژول توجه CBAM که با تمرکز همزمان بر ویژگی‌های مهم در ابعاد فضایی و کانالی، توانایی مدل در تشخیص نواحی حیاتی تومور را بهبود می‌بخشد ؛ و (۳) تابع زیان Inner-GIoU که با بهینه‌سازی فرآیند رگرسیون کادر مرزی، مکان‌یابی دقیق‌تر تومورها را به‌ویژه در سناریوهای پیچیده و همپوشان امکان‌پذیر می‌سازد. نتایج تجربی بر روی دو مجموعه داده عمومی، برتری قابل توجه مدل پیشنهادی را نشان می‌دهد. Neuro-YOLO-v11 به میانگین دقت متوسط (mAP@0.5) ۹8.۵۲ ٪ بر روی مجموعه داده Br35H و ۹۷.۷5 ٪ بر روی مجموعه داده Roboflow دست یافت که به طور چشمگیری از مدل‌های پیشرفته دیگر مانند YOLOv11n بهتر عمل می‌کند.