YOLOv8-BCD:コンピュータトモグラフィー画像における肺結節検出のためのリアルタイム深層学習フレームワーク

科学分野:

• 医療用イメージング
• 人工知能
• コンピュータ・ビジョン

背景:

• 肺がんは世界中で がんによる死亡の主な原因です
• 計算機断層撮影 (CT) による肺結節の早期発見は,肺がんのスクリーニングにおいて極めて重要です.
• 伝統的なノードル検出方法は 精度や効率に制限があります

研究 の 目的:

• CT画像で高精度で迅速な肺結節の識別のための高度なディープラーニングフレームワークを開発する.
• 肺がんの早期かつ正確な診断を 促進するためです

主な方法:

• 改善されたディープラーニングフレームワーク,YOLOv8-BCDを,BiFormer attention,Content-Aware ReAssembly of Features (CARAFE),およびDepth-wise Over-Parameterized Depth-wise Convolution (DO-DConv) と統合することを提案した.
• 低解像度,ノイズ,CT画像のアーティファクトに対処するための画像強化のための超解像度ジェネラティブアドバサリアルネットワーク (SRGAN) を採用した.
• BiFormer attention をバックボーンに組み込み,機能抽出を強化し,特に小さなノードルに対して,CARAFE と DO-DConv をヘッドに組み込み,機能融合を最適化し,計算の複雑さを削減しました.

主要な成果:

• LUNA16のデータセットでは,YOLOv8-BCDは86. 4%の検出精度と88. 3%のmAP_{0. 5}を達成し,YOLOv8を上回った.
• TianChiデータセットの外部検証では,mAP_{0. 5}は83. 8%,mAP_{0. 5から0. 95}は43. 9%で,推論速度は98 FPSであった.
• このモデルは,ベースラインのYOLOv8と比較して,精度と平均精度 (mAP) で優れた性能を示した.

結論:

• YOLOv8-BCDモデルは,解釈時間を短縮し,診断の精度を向上させることで,臨床医を大幅に支援します.
• このフレームワークは 誤診を最小限に抑え 肺がんのスクリーニングで 患者の成果を向上させます
• このディープラーニングのアプローチは 肺がんを早期発見する 有望なツールです