TỐI ƯU HÓA CÁC MÔ HÌNH YOLOV9 VÀ YOLOV10 PHÁT HIỆN KHỐI U NÃO: NGHIÊN CỨU TỐC ĐỘ HỌC TẬP TRÊN HÌNH ẢNH MRI

Ngô Thị Lan; Bùi Xuân Tùng

doi:10.34238/tnu-jst.12474

TỐI ƯU HÓA CÁC MÔ HÌNH YOLOV9 VÀ YOLOV10 PHÁT HIỆN KHỐI U NÃO: NGHIÊN CỨU TỐC ĐỘ HỌC TẬP TRÊN HÌNH ẢNH MRI

Thông tin bài báo

Ngày nhận bài: 03/04/25 Ngày hoàn thiện: 29/06/25 Ngày đăng: 29/06/25

Các tác giả

1. Ngô Thị Lan, Trường Đại học Tây Đô
2. Bùi Xuân Tùng , Trường Đại học Tây Đô

Tóm tắt

Nghiên cứu này đánh giá hiệu suất của các biến thể YOLOv9 và YOLOv10 trong việc phát hiện khối u não trong hình ảnh MRI. Chúng tôi đã so sánh bốn mô hình (YOLOv9t, YOLOv9s, YOLOv10n, YOLOv10s) trong khi tối ưu hóa tham số tốc độ học để đạt được hiệu suất vượt trội. Sử dụng tập dữ liệu Brain_Tumor_Segmentation từ Roboflow chứa 6.638 hình ảnh được chia thành các tập huấn luyện (80%) và thử nghiệm (20%). Các mô hình được huấn luyện với các siêu tham số Optimizer = SGD, lr0 = 0,00005, lr0 = 0,0001, Momentum = 0,937, Epoch = 150, Patience = 0, Batchsize = 64 và được huấn luyện trên Kaggle với cấu hình GPU phù hợp. Phát hiện của chúng tôi chứng minh rằng YOLOv10s với lr0 = 0,0001 đạt hiệu suất tổng thể cao nhất với mAP(50) = 94,3%, mAP(50-95) = 72,3%, Recall = 87,3% và Precision = 93,9%. Mặc dù mô hình YOLOv10s với lr0 = 0,00005 cho thấy độ chính xác cao hơn (94,2%), tốc độ học tăng lên mang lại sự cân bằng tốt hơn giữa số liệu phát hiện và tốc độ hội tụ.

Từ khóa

Phát hiện khối u não; Học sâu; Chụp ảnh y tế; Mô hình YOLO; Tốc độ học

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] Younis, L. Qiang, C. O. Nyatega, M. J. Adamu, and H. B. Kawuwa, "Brain Tumor Analysis Using Deep Learning and VGG-16 Ensembling Learning Approaches," Applied Sciences, vol. 12, no. 14, 2022, Art. no. 7282.

[2] M. Siar and M. Teshnehlab, "Brain Tumor Detection Using Deep Neural Network and Machine Learning Algorithm," Proceedings of the 9th International Conference on Computer and Knowledge Engineering (ICCKE), Mashhad, Iran, 2019, pp. 363–365.

[3] M. F. Almufareh, M. Imran, A. Khan, M. Humayun, and M. Asim, "Automated Brain Tumor Segmentation and Classification in MRI Using YOLO-Based Deep Learning," IEEE Access, vol. 12, pp. 16189-16196, 2024.

[4] A. B. Abdusalomov, M. Mukhiddinov, and T. K. Whangbo, "Brain Tumor Detection Based on Deep Learning Approaches and Magnetic Resonance Imaging," Cancers, vol. 15, no. 16, 2023, Art. no. 4172.

[5] S. R. Gunasekara, H. N. T. K. Kaldera, and M. B. Dissanayake, "A Systematic Approach for MRI Brain Tumor Localization and Segmentation Using Deep Learning and Active Contouring," Journal of Healthcare Engineering, vol. 2021, no. 1, 2021, Art. no. 6695108.

[6] N. Noreen, S. Palaniappan, A. Qayyum, I. Ahmad, M. Imran, and M. Shoaib, "A Deep Learning Model Based on Concatenation Approach for the Diagnosis of Brain Tumor," IEEE Access, vol. 8, pp. 55135-55144, 2020.

[7] K. R. Pedada, B. Rao, K. K. Patro, J. P. Allam, M. M. Jamjoom, and N. A. Samee, "A Novel Approach for Brain Tumour Detection Using Deep Learning Based Technique," Biomedical Signal Processing and Control, vol. 82, 2023, Art. no.104549.

[8] T. Vo and B. N. Thanh, "Polyp Image Segmentation Based on the Recurrent Residual U-Net Improvement Method," HUFLIT Journal of Science, vol. 8, no. 3, pp. 37-37, 2024.

[9] M. Yaseen, "What is YOLOv9: An in-depth exploration of the internal features of the next-generation object detector," arXiv preprint arXiv:2409.07813, pp. 1-10, 2024.

[10] A. Wang, H. Chen, L. Liu, K. Chen, Z. Lin, J. Han, and G. Ding, "YOLOv10: Real-time end-to-end object detection," Advances in Neural Information Processing Systems, vol. 37, pp. 107984-108011, 2024.

[11] Dinesh, "Brain Tumor Segmentation," Roboflow Universe, Roboflow, 2024. [Online]. Available: universe.roboflow.com/dinesh-vjjuw/brain_tumor_segmentation-n0iom/dataset/3. [Accessed Dec. 1, 2024].

DOI: https://doi.org/10.34238/tnu-jst.12474

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ