YOLO-MED : जैव चिकित्सा छवियों के लिए मल्टी-टास्क इंटरैक्शन नेटवर्क

ऑब्जेक्ट डिटेक्शन और सेमांटिक सेगमेंटेशन जैव चिकित्सा छवि विश्लेषण में महत्वपूर्ण घटक हैं। वर्तमान एकल-कार्य नेटवर्क दोनों डिटेक्शन और सेगमेंटेशन कार्यों में आशाजनक परिणाम प्रदर्शित करते हैं। मल्टी-टास्क नेटवर्क ने सेगमेंटेशन और डिटेक्शन कार्यों को एक साथ करने की क्षमता के कारण ध्यान आकर्षित किया है, जबकि सेगमेंटेशन पहचान को भी तेज कर रहा है। फिर भी, हाल के मल्टी-टास्क नेटवर्क विशिष्ट सीमाओं का सामना करते हैं जैसे सटीकता और पहचान गति के बीच संतुलन बनाने में कठिनाई। इसके अतिरिक्त, वे अक्सर क्रॉस-स्केल विशेषताओं के एकीकरण को नजरअंदाज करते हैं, जो जैव चिकित्सा छवि विश्लेषण के लिए विशेष रूप से महत्वपूर्ण है। इस अध्ययन में, हम एक कुशल एंड-टू-एंड मल्टी-टास्क नेटवर्क का प्रस्ताव करते हैं जो ऑब्जेक्ट डिटेक्शन और सेमांटिक सेगमेंटेशन दोनों कार्यों को एक साथ करने में सक्षम है, जिसका नाम YOLO-Med है। हमारा मॉडल मल्टी-स्केल फीचर एक्सट्रैक्शन के लिए एक बैकबोन और एक नेक का उपयोग करता है, जिसमें दो कार्य-विशिष्ट डिकोडर शामिल हैं। विभिन्न कार्यों के बीच सूचना फ्यूजन को सुविधाजनक बनाने के लिए एक क्रॉस-स्केल टास्क-इंटरएक्शन मॉड्यूल लागू किया गया है। जब इसे Kvasir-seg डेटा सेट और एक प्राइवेट जैव चिकित्सा छवि डेटा सेट पर मूल्यांकित किया गया, तो हमारे मॉडल ने सटीकता और गति के संतुलन में आशाजनक परिणाम प्रदर्शित किए।