دوره 11، شماره 2 - ( تابستان 1404 )
جلد 11 شماره 2 صفحات 218-201 |
برگشت به فهرست نسخه ها
Ethics code: IR.IAU.BIRJAND.REC.1404.036
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ghasemi M, Ghaffari H R. Intelligent Detection of Subtle Pulmonary Abnormalities in CXR Images Using YOLO-CA-NET Framework Based on YOLOv11 and Coordinate Attention. JMIS 2025; 11 (2) :201-218
URL: http://jmis.hums.ac.ir/article-1-634-fa.html
URL: http://jmis.hums.ac.ir/article-1-634-fa.html
قاسمی ملیکا، غفاری حمیدرضا. تشخیص هوشمند ناهنجاریهای ظریف ریوی در تصاویر رادیوگرافی قفسه سینه با استفاده از چارچوب YOLO-CA-NET مبتنی بر YOLOv11 و مکانیزم توجه هماهنگ. اطلاعرسانی پزشکی نوین. 1404; 11 (2) :201-218
گروه مهندسی کامپیوتر، واحد فردوس، دانشگاه آزاد اسلامی، فردوس، ایران
چکیده: (350 مشاهده)
هدف: رادیوگرافی قفسه سینه ابزاری حیاتی برای تشخیص بیماریها است. اما به دلیل ظرافت یافتهها و همپوشانی با ساختارهای آناتومیک پیچیده، مستعد خطای انسانی میباشد. هدف این پژوهش ارائه چارچوب جدیدی به نام YOLO-CA-NET جهت بهبود دقت تشخیص و محلیسازی ناهنجاریهای ظریف و کوچک در تصاویر رادیوگرافی با استفاده از مکانیزمهای توجه پیشرفته است.
روشها: در این مطالعه، مدل YOLOv11 با ادغام استراتژیک ماژول توجه هماهنگ در بلوکهای ستون فقرات ارتقا یافت تا اطلاعات حساس به موقعیت جهت حفظ جزئیات فضایی ضایعات ریز استخراج شود. برای آموزش و ارزیابی، از مجموعه داده استاندارد VInDr-CXR شامل ۱۵۰۰۰ تصویر رادیوگرافی با حاشیهنویسی ۱۴ نوع ناهنجاری استفاده شد. عملیات پیشپردازش شامل نرمالسازی و تکنیک CLAHE جهت بهبود کنتراست یافتههای محو اعمال گردید.
نتایج: یافتههای پژوهش نشان داد که مدل پیشنهادی YOLO-CA-NET به میانگین دقت متوسط (mAP) معادل ۰/۳۲۹ و میانگین بازآزمایی (Recall) معادل ۰/۵۱۴ دست یافته است. این نتایج در مقایسه با مدل پایه YOLOv11 افزایش ۹/۳ درصدی در دقت و ۱۹ درصدی در بازآزمایی را نشان میدهد؛ این بهبود، پتانسیل بالای چارچوب پیشنهادی را در کشف و محلیسازی ضایعات کمکنتراست و ظریف که ممکن است در مدل پایه نادیده گرفته شوند، اثبات میکند.
نتیجهگیری: ادغام مکانیزم توجه هماهنگ در معماری YOLOv11 توانایی مدل را در درک وابستگیهای فضایی دوربرد و محلیسازی دقیق ناهنجاریهای ظریف بهطور چشمگیری ارتقا میدهد. چارچوب پیشنهادی میتواند به عنوان ابزاری کمکتشخیصی کارآمد برای کاهش خطای انسانی ناشی از نادیده گرفتن ضایعات کوچک در محیطهای بالینی مورد استفاده قرار گیرد.
روشها: در این مطالعه، مدل YOLOv11 با ادغام استراتژیک ماژول توجه هماهنگ در بلوکهای ستون فقرات ارتقا یافت تا اطلاعات حساس به موقعیت جهت حفظ جزئیات فضایی ضایعات ریز استخراج شود. برای آموزش و ارزیابی، از مجموعه داده استاندارد VInDr-CXR شامل ۱۵۰۰۰ تصویر رادیوگرافی با حاشیهنویسی ۱۴ نوع ناهنجاری استفاده شد. عملیات پیشپردازش شامل نرمالسازی و تکنیک CLAHE جهت بهبود کنتراست یافتههای محو اعمال گردید.
نتایج: یافتههای پژوهش نشان داد که مدل پیشنهادی YOLO-CA-NET به میانگین دقت متوسط (mAP) معادل ۰/۳۲۹ و میانگین بازآزمایی (Recall) معادل ۰/۵۱۴ دست یافته است. این نتایج در مقایسه با مدل پایه YOLOv11 افزایش ۹/۳ درصدی در دقت و ۱۹ درصدی در بازآزمایی را نشان میدهد؛ این بهبود، پتانسیل بالای چارچوب پیشنهادی را در کشف و محلیسازی ضایعات کمکنتراست و ظریف که ممکن است در مدل پایه نادیده گرفته شوند، اثبات میکند.
نتیجهگیری: ادغام مکانیزم توجه هماهنگ در معماری YOLOv11 توانایی مدل را در درک وابستگیهای فضایی دوربرد و محلیسازی دقیق ناهنجاریهای ظریف بهطور چشمگیری ارتقا میدهد. چارچوب پیشنهادی میتواند به عنوان ابزاری کمکتشخیصی کارآمد برای کاهش خطای انسانی ناشی از نادیده گرفتن ضایعات کوچک در محیطهای بالینی مورد استفاده قرار گیرد.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
