Marco mejorado de detección de cáncer de mama basado en YOLOv11n con calibración de características a escala múltiple

Área de la Ciencia:

• Análisis de imágenes médicas análisis de imágenes médicas.
• Inteligencia artificial en el cuidado de la salud.
• Oncología Oncología.

Sus antecedentes:

• El diagnóstico del cáncer de mama se basa en la detección de lesiones complejas, que a menudo son un desafío para los métodos actuales debido a las variaciones de tamaño, forma y límites.
• La detección temprana y precisa es crucial para reducir la mortalidad y mejorar el pronóstico del paciente en el cáncer de mama.

Objetivo del estudio:

• Desarrollar un marco avanzado de aprendizaje profundo para la detección mejorada de lesiones pequeñas y complejas de cáncer de mama.
• Para mejorar la precisión y la robustez de los sistemas de detección de cáncer de mama.

Principales métodos:

• Propuso un marco de detección mejorado basado en YOLOv11n, que incorpora nuevos módulos C3k2-DCNv2-Dynamic, C2CGA y CSFCN.
• El módulo C3k2-DCNv2-Dynamic utiliza convolución dinámica y mecanismos deformables para la variación de la escala.
• El módulo C2CGA emplea atención guiada por canales para la sensibilidad de lesiones complejas, y CSFCN refina la identificación de objetivos pequeños.

Principales resultados:

• El modelo propuesto logró una precisión del 66.6% y un 86.2% de mAP@0.5, superando el rendimiento de la línea de base YOLOv11n.
• Demostró una mejora significativa del 14,1% en la precisión de detección para lesiones pequeñas de clase G2.
• El marco mostró un rendimiento superior en la detección de lesiones pequeñas y complejas.

Conclusiones:

• El nuevo marco basado en YOLOv11n aborda efectivamente los desafíos en la detección de lesiones pequeñas y complejas de cáncer de mama.
• Las capacidades de detección mejoradas sugieren un potencial significativo para la aplicación clínica en el diagnóstico del cáncer de mama.
• El estudio destaca la importancia de componentes arquitectónicos especializados para mejorar la precisión del análisis de imágenes médicas.