|
تشخیص دقیق تومورهای مغزی در تصاویر MRI با استفاده از الگوریتم YOLO
|
بهنام صولتی نیا*   ، امیرحسان یحیی پور |
| گروه ژنتیک، پژوهشکده علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران ، behnamsowlati@gmail.com |
|
|
چکیده: (58 مشاهده) |
مقدمه: تشخیص دقیق و زودهنگام تومورهای مغزی از تصاویر MRI نقش حیاتی در بهبود پیش‌آگهی و برنامه‌ریزی درمانی برای بیماران ایفا می‌کند. با این حال، تفسیر دستی تصاویر MRI زمان‌بر بوده و مستعد خطای انسانی است. این مطالعه با هدف ارائه و ارزیابی یک روش خودکار و کارآمد مبتنی بر الگوریتم YOLOv8 و یادگیری عمیق برای تشخیص تومورهای مغزی در تصاویر MRI انجام شده است. مواد و روش‌ها: در این مطالعه، مدل YOLOv8 با استفاده از مجموعه داده شامل 500 تصویر MRI برپسب گذاری شده از تومورهای مغزی آموزش داده شد. عملکرد مدل بر روی مجموعه داده‌های ارزیابی و امتحانی با استفاده از معیارهای Precision، Recall و AP50 مورد بررسی قرار گرفت. آموزش مدل در محیط Google Colab با استفاده از GPU Tesla T4 و در 100 تکرار انجام شد. یافته‌ها: نتایج نشان داد که الگوریتم YOLOv8 آموزش دیده به دقت و سرعت بالایی در تشخیص تومورهای مغزی دست یافته است. مقادیر AP50 به دست آمده بر روی داده‌های ارزیابی (94/5) و امتحانی (94/6) و همچنین مقادیر بالای Precision و Recall، گواهی بر عملکرد قوی و پایدار مدل در شناسایی تومورها بود. بررسی کیفی تصاویر نمونه نیز دقت بالای الگوریتم در مکان‌یابی و تشخیص تومورها را تایید کرد. زمان آموزش کوتاه و سرعت بالای تشخیص، از دیگر مزایای الگوریتم YOLOv8 در این مطالعه بودند. نتیجه‌گیری: پژوهش حاضر نشان داد که الگوریتم YOLOv8 پتانسیل قابل توجهی برای تشخیص خودکار و کارآمد تومورهای مغزی در تصاویر MRI دارد. تعادل مناسب بین دقت و سرعت، و همچنین تعمیم‌پذیری خوب مدل، YOLOv8 را به یک ابزار کمکی ارزشمند برای رادیولوژیست‌ها در تشخیص سریع‌تر و دقیق‌تر تومورهای مغزی تبدیل می‌کند. مطالعات آتی بر افزایش حجم داده‌های آموزشی، بهبود معماری مدل و ارزیابی بالینی روش پیشنهادی تمرکز خواهند داشت.
|
|
| واژه‌های کلیدی: تومور مغزی، برش‌نگاری، تشخیص زودهنگام، پیش‌آگهی، هوش مصنوعی |
|
|
متن کامل [PDF 1599 kb]
(12 دریافت)
|
|
نوع مطالعه: پژوهشي |
موضوع مقاله:
بيوانفورماتيك در علوم اعصاب
|
|
|
|
|
|
