RadYOLO: Efficiente Rilevamento e Segmentazione 3D di Oggetti per TC e RM
RadYOLO, un'innovativa adattamento 3D di YOLO11 specificamente progettato per l'imaging medico, è stato pubblicato come preprint arXiv 2608.00508. Questo modello mira a mitigare le sostanziali richieste computazionali associate al deep learning nell'analisi di immagini mediche 3D, offrendo ampia applicabilità, impressionanti capacità di rilevamento e prestazioni rapide su hardware con risorse limitate. Nei test contro nnU-Net e nnDetection su cinque dataset con immagini TC e RM di diverse dimensioni e frequenze di oggetti, RadYOLO ha superato nnDetection in quattro dataset e lo ha eguagliato in uno. Mentre nnU-Net era superiore nel rilevare organi di grandi dimensioni che richiedono una localizzazione precisa, RadYOLO ha eccelso nel rilevamento di lesioni e ha eguagliato o superato le prestazioni di nnU-Net nella localizzazione approssimativa su tutti i dataset. Inoltre, RadYOLO ha mostrato tempi di inferenza più rapidi, sebbene i dettagli completi rimangano troncati nell'abstract. Questo avanzamento ha un notevole potenziale per migliorare l'efficienza e l'accessibilità nella diagnostica per immagini medica.
Fatti principali
- RadYOLO è un'estensione 3D di YOLO11 adattata alle immagini mediche.
- Il modello è progettato per essere computazionalmente efficiente e veloce su hardware con risorse limitate.
- RadYOLO è stato confrontato con nnU-Net e nnDetection su cinque dataset di dati TC e RM.
- RadYOLO ha superato nnDetection su quattro dei cinque dataset ed è stato comparabile su uno.
- RadYOLO ha performato meglio di nnU-Net nei compiti di rilevamento delle lesioni.
- nnU-Net eccelleva nel rilevare organi di grandi dimensioni quando era richiesta una localizzazione precisa.
- Quando era sufficiente una localizzazione approssimativa degli oggetti, RadYOLO ha eguagliato o superato nnU-Net su tutti e cinque i dataset.
- RadYOLO ha mostrato tempi di inferenza più rapidi rispetto agli altri modelli.
Entità
Istituzioni
- arXiv