YOLO-ED: Un modelo eficiente de detección de cáncer de pulmón basado en la mejora de YOLOv8

Área de la Ciencia:

• Imágenes médicas
• Visión por computadora
• Inteligencia artificial

Sus antecedentes:

• Los modelos You Only Look Once (YOLO) ofrecen escalabilidad y generalización para la detección de objetos médicos.
• Los modelos YOLO existentes enfrentan desafíos con el costo computacional y la precisión debido a las convoluciones consecutivas y la interpolación bilineal.

Objetivo del estudio:

• Proponer un modelo mejorado basado en YOLOv8 (YOLO-ED) para la detección mejorada del cáncer de pulmón en imágenes de TC.
• Abordar las limitaciones de los modelos existentes reduciendo la sobrecarga computacional y mejorando la precisión de la detección.

Principales métodos:

• Desarrollado YOLO-ED mediante la integración de un módulo de modulación eficiente para la fusión de características ponderadas y un módulo DySample para el muestreo dinámico.
• El módulo de modulación eficiente reduce los parámetros del modelo y la carga computacional.
• El módulo DySample reemplaza el upsampling convencional para minimizar la pérdida de información y mejorar la precisión de la extracción de características.

Principales resultados:

• YOLO-ED demostró mejoras significativas en la precisión en las tareas de detección de cáncer de pulmón.
• El modelo logró una notable reducción en el costo computacional en comparación con los modelos de referencia.
• La validación se realizó en los conjuntos de datos LUNG-PET-CT-DX y LUNA16, confirmando la eficacia de YOLO-ED.

Conclusiones:

• YOLO-ED ofrece un enfoque superior para la detección de objetos de imágenes médicas, específicamente para el cáncer de pulmón en las tomografías computarizadas.
• El modelo propuesto equilibra efectivamente la precisión y la eficiencia computacional.
• YOLO-ED representa un avance significativo en la aplicación del aprendizaje profundo para el análisis de imágenes médicas.