Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Realism in Action: Anomaly-Aware Diagnosis of Brain Tumors from Medical Images Using YOLOv8 and DeiT

Created by
  • Haebom

저자

Seyed Mohammad Hossein Hashemi, Leila Safari, Mohsen Hooshmand, Amirhossein Dadashzadeh Taromi

개요

본 논문은 뇌종양 진단의 어려움을 해결하기 위해 임상 현실을 반영한 이상치에 강건한 탐지 및 분류 프레임워크를 제안합니다. 탐지는 1:9의 종양 대 정상 비율을 갖는 현실적인 불균형 데이터셋(81명 환자의 30,000개 MRI 슬라이스)으로 미세 조정된 YOLOv8n을 활용합니다. 또한, 환자 수준의 진단 신뢰도를 평가하는 새로운 환자 간(PTP) 지표를 제안합니다. 분류는 지식 증류를 사용하여, ResNet152 교사 모델로부터 Data Efficient Image Transformer (DeiT) 학생 모델을 증류합니다. 증류된 ViT는 20 epoch 내에 0.92의 F1 점수를 달성하여, 계산 자원을 크게 줄이면서 교사 모델의 성능(F1=0.97)에 근접합니다. 이 종단 간 프레임워크는 임상적으로 대표적인 이상치 분포 데이터에서 높은 강건성을 보여주며, 실제 임상 상황에 부합하는 실행 가능한 도구를 제공합니다.

시사점, 한계점

•
시사점:
◦
현실적인 데이터 불균형 문제를 고려한 뇌종양 탐지 및 분류 프레임워크 제시.
◦
환자 수준의 진단 신뢰도 평가를 위한 새로운 PTP 지표 제안.
◦
지식 증류를 통한 계산 효율 향상 및 성능 유지.
◦
임상 현장에 적용 가능한 실용적인 뇌종양 진단 도구 제공.
•
한계점:
◦
제한된 환자 수 (81명)로 일반화 성능에 대한 추가 검증 필요.
◦
다양한 유형의 뇌종양에 대한 성능 평가가 부족할 수 있음.
◦
PTP 지표의 객관적인 타당성에 대한 추가 연구 필요.
◦
YOLOv8n과 DeiT의 다른 변형 모델과의 비교 분석 부재.
👍
Made with Slashpage