کنفرانس بین المللی محاسبات نرم

صفحه اصلی / ششمین کنفرانس بین المللی محاسبات نرم

تشخیص ناهنجاری‌های قفسه سینه در تصاویر CXR با استفاده از YOLOv11 بهبود یافته با توجه هماهنگ

نویسندگان :

ملیکا قاسمی¹ حمیدرضا غفاری²

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

کلمات کلیدی :

تشخیص اشیاء،یادگیری عمیق،رادیوگرافی قفسه سینه (CXR)،YOLOv11،توجه هماهنگ

چکیده :

تفسیر رادیوگرافی قفسه سینه، یک وظیفه اساسی و در عین حال چالش‌برانگیز در تشخیص بالینی است که اغلب به دلیل ظرافت یافته‌ها و تنوع بین ناظران با مشکل مواجه می‌شود. در حالی که مدل‌های یادگیری عمیق، به ویژه آشکارسازهای اشیاء، مسیر امیدوارکننده‌ای برای تحلیل خودکار ارائه می‌دهند، معماری‌های استاندارد اغلب در ثبت اطلاعات دقیق موقعیتی مورد نیاز برای محلی‌سازی ناهنجاری‌های کوچک یا پراکنده ناتوان هستند. این پژوهش، YOLOv11-CA را معرفی می‌کند. یک چارچوب جدید تشخیص اشیاء که مدل پیشرفته YOLOv11 را با مکانیزم توجه هماهنگ (CA) بهبود می‌بخشد. ماژول CA با تجزیه توجه کانالی به دو فرآیند کدگذاری ویژگی یک‌بعدی، اطلاعات آگاه از جهت و حساس به موقعیت را در نقشه‌های ویژگی مدل تعبیه می‌کند و به آن امکان می‌دهد تا وابستگی‌های فضایی دوربرد را بهتر ثبت کند. ما مدل پیشنهادی خود را بر روی مجموعه داده چالش‌برانگیز ChestX-Det10 ارزیابی می‌کنیم که شامل ۳۵۴۳ تصویر CXR با حاشیه‌نویسی برای ۱۰ ناهنجاری شایع قفسه سینه است. نتایج تجربی نشان می‌دهد که YOLOv11-CA به میانگین دقت متوسط ۰.۳۵۲ و میانگین بازیابی ۰.۵27 دست می‌یابد که به ترتیب نشان‌دهنده بهبود آماری معنادار ۲.8٪ و ۲.۴٪ نسبت به مدل پایه YOLOv11 است. چارچوب پیشنهادی نه تنها وضعیت پیشرفته در تحلیل خودکار CXR را ارتقا می‌دهد، بلکه کارایی مکانیزم‌های توجه آگاه از فضا را برای وظایف پیچیده تصویربرداری پزشکی برجسته می‌کند.