Dados do Trabalho

Título

UTILIZAÇÃO DO YOLOv8 PARA RECORTE DE MAMA A PARTIR DO MODELO DO PRIMEIRO COLOCADO NA COMPETIÇÃO DA RSNA® 2023

Descrição sucinta do(s) objetivo(s)

A última competição da RSNA® para a detecção de câncer de mama em mamografias de rastreamento, utilizando Deep Learning, apresentou resultados promissores na detecção do câncer. Assim, este trabalho relata a comparação da performance do modelo You Only Look Once X (YOLOX), uma rede convolucional utilizada para recorte da mama pelo modelo vencedor da competição, com sua versão mais recente, o YOLOv8, a fim de verificar como os dois modelos influenciam na detecção do câncer, e identificar melhorias potenciais na precisão e eficácia do modelo.

Material(is) e método(s)

Os modelos de recorte foram treinados na mesma base de dados e utilizaram hiperparâmetros idênticos. Duas redes neurais convolucionais (ConvNext) foram treinadas com as imagens da competição para detecção de câncer. Essas imagens foram recortadas com os YOLOs, de modo que um modelo fosse alimentado com as imagens do YOLOX e outro com as imagens do YOLOv8. Na etapa seguinte, os dois ConvNext foram avaliados em imagens de quatro bases de dados públicas, que também foram recortadas utilizando os respectivos YOLOs. Por fim, foi realizada a comparação entre modelos de detecção, utilizando várias métricas, com a principal sendo o escore F1.

Resultados e discussão

Durante o treinamento dos modelos de recorte, o YOLOv8 obteve uma média de precisão de 88.5% nas imagens de validação, enquanto o YOLOX obteve 94.6%. Essa diferença impactou a convergência dos ConvNext, dado que o modelo treinado com imagens do YOLOX apresentou escores F1 superiores em todas as bases de dados em comparação ao modelo treinado com imagens do YOLOv8. A diferença de recorte entre os modelos indica que o YOLOv8 removeu mais da região escura e reteve uma porção maior da parte superior da mama (músculo peitoral). Isso resultou em imagens com mais informações da mama, o que pode ter influenciado negativamente o treinamento do modelo de detecção de câncer.

Conclusões

Ambos os modelos demonstraram bons resultados em isolar a região da mama e reduzir as regiões escuras, não pertencente à mama, com o YOLOX superando o YOLOv8 na maioria dos casos. Além disso, destaca-se que o processo de recorte exerceu influência significativa no desempenho dos ConvNexts, ressaltando a importância da escolha dos recortes.

Palavras Chave

Deep Learning; Mamografía; Recorte de imagens mamográficas

Arquivos