مقالات در انتظار انتشار
برگشت به فهرست مقالات |
برگشت به فهرست نسخه ها
Ethics code: IR.IAU.BIRJAND.REC.1404.036
گروه مهندسی کامپیوتر، واحد فردوس، دانشگاه آزاد اسلامی، فردوس، ایران
چکیده: (12 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 11YOLOv 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 ۱۵,۰۰۰ 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) ۰.۳29 و میانگین بازیابی ۰.۵14 دست یافته است. این نتایج در مقایسه با مدل پایه 11YOLOv، افزایش 9.3 درصدی در دقت و 19 درصدی در بازیابی 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 11YOLOv، 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 11YOLOv 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 ۱۵,۰۰۰ 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) ۰.۳29 و میانگین بازیابی ۰.۵14 دست یافته است. این نتایج در مقایسه با مدل پایه 11YOLOv، افزایش 9.3 درصدی در دقت و 19 درصدی در بازیابی 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 11YOLOv، 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. |