کنفرانس بین المللی محاسبات نرم

صفحه اصلی / ششمین کنفرانس بین المللی محاسبات نرم

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

نویسندگان :

حامد صباغ گل¹ ملیکا قاسمی²

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

کلمات کلیدی :

تشخیص تومور مغزی،تومورهای متاستاتیک،یادگیری عمیق،YOLOv11،توجه کانونی،Focal Loss،تصاویر MRI

چکیده :

تشخیص دقیق تومورهای مغزی کوچک و متاستاتیک در تصاویر رزونانس مغناطیسی (MRI) یکی از چالش‌برانگیزترین وظایف در رادیولوژی است، زیرا این ضایعات اغلب دارای کنتراست پایین، ابعاد کوچک و مرزهای نامشخص هستند. مدل‌های تشخیص اشیاء استاندارد، به دلیل ناتوانی در مدل‌سازی همزمان وابستگی‌های مکانی دوربرد و جزئیات دقیق محلی، در این زمینه با محدودیت مواجه هستند. این مقاله یک چارچوب نوآورانه به نام YOLO-Focal را معرفی می‌کند که برای افزایش حساسیت و دقت در تشخیص این نوع تومورها طراحی شده است. مدل پیشنهادی ما، معماری پیشرفته YOLOv11 را با دو جزء کلیدی بهبود می‌بخشد: (۱) مکانیزم توجه خودی کانونی (Focal Self-Attention) که با ترکیب تعاملات محلی دقیق و تعاملات سراسری درشت‌دانه، به مدل اجازه می‌دهد تا همزمان بر جزئیات ظریف تومور و زمینه آناتومیک کلی مغز تمرکز کند؛ و (۲) تابع زیان Focal Loss که با کاهش وزن نمونه‌های منفی آسان (بافت سالم مغز)، فرآیند آموزش را بر روی نمونه‌های مثبت دشوار (تومورهای کوچک) متمرکز می‌سازد. 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 می‌دهد که مدل پیشنهادی به میانگین دقت متوسط (mAP@0.5) ۶۴.۳٪ دست می‌یابد که بهبود قابل توجهی به میزان ۵.۱٪ نسبت به مدل پایه YOLOv11s است. نتایج این پژوهش نشان دهنده این است که ترکیب مکانیزم‌های توجه پیشرفته و توابع زیان بهینه‌سازی‌شده، راهکاری مؤثر برای غلبه بر چالش‌های تشخیص ضایعات کوچک در تصویربرداری پزشکی است.