YOLOv8-BCD: un marco de aprendizaje profundo en tiempo real para la detección de nódulos pulmonares en imágenes de...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Visión por computadora

Sus antecedentes:

• El cáncer de pulmón es una de las principales causas de mortalidad por cáncer a nivel mundial.
• La detección temprana de nódulos pulmonares mediante tomografía computarizada (TC) es crucial para el cribado del cáncer de pulmón.
• Los métodos tradicionales de detección de nódulos se enfrentan a limitaciones en cuanto a precisión y eficiencia.

Objetivo del estudio:

• Desarrollar un marco avanzado de aprendizaje profundo para la identificación rápida y de alta precisión de nódulos pulmonares en imágenes de TC.
• Para facilitar el diagnóstico más temprano y preciso del cáncer de pulmón.

Principales métodos:

• Propuso un marco de aprendizaje profundo mejorado, YOLOv8-BCD, integrando YOLOv8 con la atención de BiFormer, el Reensamblaje de Características Consciente de Contenido (CARAFE) y la Convolución de Profundidad Sobre-Parametrizada (DO-DConv).
• Empleado Super-Resolution Generative Adversarial Network (SRGAN) para la mejora de la imagen para abordar la baja resolución, el ruido y los artefactos en las imágenes de TC.
• Incorporó la atención BiFormer en la columna vertebral para mejorar la extracción de características, especialmente para nódulos pequeños, y utilizó CARAFE y DO-DConv en la cabeza para optimizar la fusión de características y reducir la complejidad computacional.

Principales resultados:

• En el conjunto de datos LUNA16, YOLOv8-BCD logró una precisión de detección del 86,4% y un mAP_0,5 del 88,3%, superando a YOLOv8.
• La validación externa en el conjunto de datos de TianChi mostró un mAP_0,5 de 83,8% y un mAP_0,5-0,95 de 43,9% con una alta velocidad de inferencia de 98 FPS.
• El modelo demostró un rendimiento superior en precisión y precisión media (mAP) en comparación con la línea de base YOLOv8.

Conclusiones:

• El modelo YOLOv8-BCD ayuda significativamente a los médicos al reducir el tiempo de interpretación y mejorar la precisión del diagnóstico.
• El marco ayuda a minimizar los diagnósticos perdidos, mejorando en última instancia los resultados de los pacientes en el cribado del cáncer de pulmón.
• Este enfoque de aprendizaje profundo ofrece una herramienta prometedora para una detección temprana más efectiva del cáncer de pulmón.