Mejora de YOLOv11 con atención de gran núcleo y fusión a escala múltiple para la detección precisa de tumores óseos...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• En el campo de la oncología

Sus antecedentes:

• Los tumores óseos primarios como el osteosarcoma y el condrosarcoma son cánceres raros y agresivos que requieren un diagnóstico rápido.
• La radiografía de rayos X es accesible, pero tiene dificultades para detectar lesiones óseas pequeñas o multifocales.
• Los modelos actuales de aprendizaje profundo carecen de generalización debido a conjuntos de datos pequeños y de un solo centro.

Objetivo del estudio:

• Desarrollar un modelo avanzado de aprendizaje profundo para la detección precisa de tumores óseos primarios en radiografías.
• Mejorar las capacidades de detección de lesiones pequeñas y multifocales, abordando las limitaciones de los métodos existentes.

Principales métodos:

• Introducción de YOLOv11-MTB, un modelo mejorado de YOLOv11 que incorpora atención basada en transformadores de múltiples escalas, fusión de características conscientes de los límites y aumento de campo receptivo.
• Formación y evaluación en dos conjuntos de datos multicéntricos, incluido el conjunto de datos BTXRD con datos de lesiones óseas anotados.
• Centrarse en mejorar la detección de lesiones pequeñas y multifocales.

Principales resultados:

• YOLOv11-MTB logró un rendimiento de vanguardia en la detección de tumores óseos.
• El modelo alcanzó una precisión media media (mAP) del 79,6% en el conjunto de datos BTXRD.
• Los resultados clínicamente relevantes incluyen un mAP del 55,8% para lesiones pequeñas y del 63,2% para lesiones múltiples.

Conclusiones:

• El marco YOLOv11-MTB demuestra una fuerte generalización y precisión para la detección de tumores óseos primarios.
• La eficacia del modelo en la identificación de lesiones pequeñas y múltiples indica un potencial significativo para su aplicación clínica en radiología.