Journal of Modern Medical Information Sciences

fa تشخیص هوشمند ناهنجاری‌های ظریف ریوی در تصاویر رادیوگرافی قفسه سینه با استفاده از چارچوب YOLO-CA-NET مبتنی بر YOLOv11 و مکانیزم توجه هماهنگ Intelligent Detection of Subtle Pulmonary Abnormalities in CXR Images Using YOLO-CA-NET Framework Based on YOLOv11 and Coordinate Attention تخصصي Special پژوهشي Research <div style="text-align: justify;">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.  </div> <div style="text-align: justify;">Objective: Chest radiography is a vital tool for disease diagnosis; however, it is susceptible to human error due to the subtlety of findings and their overlap with complex anatomical structures. The objective of this research is to present a new framework, YOLO-CA-NET, to improve the detection accuracy and localization of subtle and small abnormalities in radiographic images using advanced attention mechanisms. Methods: In this study, the YOLOv11 model was upgraded by strategically integrating the Coordinate Attention module into its backbone blocks to extract position-sensitive information and preserve the spatial details of small lesions. For training and evaluation, the standard VinDr-CXR dataset, comprising 15,000 radiographic images with annotations for 14 common types of abnormalities, was utilized. Pre-processing included normalization and the CLAHE technique to enhance the contrast of low-visibility findings. Results: The research findings indicated that the proposed YOLO-CA-NET model achieved a mean Average Precision (mAP) of 0.329 and a mean Recall of 0.514. These results demonstrate a 9.3% increase in precision and a 19% increase in recall compared to the baseline YOLOv11 model. This improvement validates the high potential of the proposed framework in detecting and localizing low-contrast and subtle lesions that might be overlooked by the baseline model. Conclusion: Integrating the Coordinate Attention mechanism into the YOLOv11 architecture significantly enhances the model's ability to understand long-range spatial dependencies and precisely localize subtle abnormalities. The proposed framework can serve as an efficient computer-aided diagnosis tool to mitigate human errors arising from missing small lesions in clinical settings.  </div> رادیوگرافی قفسه سینه, ناهنجاریهای ظریف,YOLOv11, مکانیزم توجه هماهنگ, تشخیص اشیاء. Thoracic Radiography, Subtle Pathologies, YOLOv11, Coordinate Attention Mechanism, Object Detection. 0 0 http://jmis.hums.ac.ir/browse.php?a_code=A-10-904-2&slc_lang=fa&sid=1 Melika Ghasemi ملیکا قاسمی melika.ghasemi9761@iau.ac.ir 100319475328460013943 0009-0001-6726-0611 No Department of Computer Engineering, Fe.C., Islamic Azad University, Ferdows, Iran گروه مهندسی کامپیوتر، واحد فردوس، دانشگاه آزاد اسلامی، فردوس، ایران Hamid Reza Ghaffari حمیدرضا غفاری hamidghaffary53@iau.ac.ir 100319475328460013944 100319475328460013944 Yes Department of Computer Engineering, Fe.C., Islamic Azad University, Ferdows, Iran گروه مهندسی کامپیوتر، واحد فردوس، دانشگاه آزاد اسلامی، فردوس، ایران