تشخیص دقیق تومورهای مغزی در تصاویر mri با استفاده از الگوریتم yolo

مقدمه: تشخیص دقیق و زودهنگام تومورهای مغزی از تصاویر mri نقش حیاتی در بهبود پیش‌آگهی و برنامه‌ریزی درمانی برای بیماران ایفا می‌کند. با این حال، تفسیر دستی تصاویر mri زمان‌بر بوده و مستعد خطای انسانی است. این مطالعه با هدف ارائه و ارزیابی یک روش خودکار و کارآمد مبتنی بر الگوریتم yolov8 و یادگیری عمیق برای تشخیص تومورهای مغزی در تصاویر mri انجام شده است. مواد و روش‌ها: در این مطالعه، مدل yolov8 با استفاده از مجموعه داده‌ شامل 500 تصویر mri برپسب گذاری شده از تومورهای مغزی آموزش داده شد. عملکرد مدل بر روی مجموعه داده‌های ارزیابی و امتحانی با استفاده از معیارهای precision، recall و ap50 مورد بررسی قرار گرفت. آموزش مدل در محیط google colab با استفاده از gpu tesla t4 و در 100 تکرار انجام شد. یافته‌ها: نتایج نشان داد که الگوریتم yolov8 آموزش دیده به دقت و سرعت بالایی در تشخیص تومورهای مغزی دست یافته است. مقادیر ap50 به دست آمده بر روی داده‌های ارزیابی (94/5) و امتحانی (94/6) و همچنین مقادیر بالای precision و recall، گواهی بر عملکرد قوی و پایدار مدل در شناسایی تومورها بود. بررسی کیفی تصاویر نمونه نیز دقت بالای الگوریتم در مکان‌یابی و تشخیص تومورها را تایید کرد. زمان آموزش کوتاه و سرعت بالای تشخیص، از دیگر مزایای الگوریتم yolov8 در این مطالعه بودند. نتیجه‌گیری: پژوهش حاضر نشان داد که الگوریتم yolov8 پتانسیل قابل توجهی برای تشخیص خودکار و کارآمد تومورهای مغزی در تصاویر mri دارد. تعادل مناسب بین دقت و سرعت، و همچنین تعمیم‌پذیری خوب مدل، yolov8 را به یک ابزار کمکی ارزشمند برای رادیولوژیست‌ها در تشخیص سریع‌تر و دقیق‌تر تومورهای مغزی تبدیل می‌کند. مطالعات آتی بر افزایش حجم داده‌های آموزشی، بهبود معماری مدل و ارزیابی بالینی روش پیشنهادی تمرکز خواهند داشت. 

accurate detection of brain tumors in mri images using the yolo algorithm

introduction: accurate and early detection of brain tumors from mri images plays a vital role in improving prognosis and treatment planning for patients. however, manual interpretation of mri images is time-consuming and prone to human error. this study aims to present and evaluate an automated and efficient method based on the yolov8 algorithm and deep learning for detecting brain tumors in mri images. materials and methods: in this study, the yolov8 model was trained using a dataset of 500 labeled brain tumor mri images. the model’s performance on the evaluation and test datasets was assessed using the metrics of precision, recall, and ap50. the model was trained in the google colab environment using a tesla t4 gpu and over 100 epochs. results: the results showed that the trained yolov8 algorithm achieved high accuracy and speed in detecting brain tumors. the obtained ap50 values on the evaluation (94.5) and test (94.6) datasets, along with high precision and recall values, were evidence of the model’s strong and stable performance in tumor detection. the qualitative examination of sample images also confirmed the high accuracy of the algorithm in locating and detecting tumors. furthermore, the short training time and high detection speed were other advantages of the yolov8 algorithm in this study. conclusion: the present study demonstrates that the yolov8 algorithm has significant potential for the automatic and efficient detection of brain tumors in mri images. the appropriate balance between accuracy and speed, as well as the good generalizability of the model, makes yolov8 a valuable auxiliary tool for radiologists achieving faster and more accurate detection of brain tumors. future studies focus on increasing the volume of training data, improving the model architecture, and clinically evaluating the proposed approach.