Profissionais médicos dependem de exames de ressonância magnética para avaliar tumores cerebrais, uma tarefa suscetível à fadiga e à interpretação subjetiva. Este estudo aprimora o modelo YOLOv10 integrando dois módulos inovadores: o módulo AvConv e o Caminho Bidirecional, ambos projetados para melhorar a precisão da detecção. Experimentos foram realizados utilizando dois conjuntos de dados do Kaggle (Conjunto de Dados 1: 1116 imagens; Conjunto de Dados 2: 153 imagens), ambos anotados para presença de tumor. O modelo proposto foi comparado a oito métodos tradicionais de detecção de objetos. Os resultados demonstram que o módulo AvConv alcança mAP50 de 88,5% e mAP50-95 de 77,7%, o que representa melhorias relativas de 0,3% e 3,1%, respectivamente, em relação ao YOLOv10 base que atinge mAP50 de 88,2% e mAP50-95 de 74,6%. Enquanto isso, o modelo de detecção bidirecional atinge 90,3% mAP50 e 83,5% mAP50-95, correspondendo a ganhos de 2,1% e 8,9% em relação ao YOLOv10. Essas melhorias validam a eficácia dos módulos introduzidos em avançar a precisão da detecção, ao mesmo tempo em que mantêm uma eficiência competitiva na inferência, apoiando o papel de arquiteturas de aprendizado profundo personalizadas no diagnóstico automatizado e confiável de tumores cerebrais.
Guo et al. (Sab,) estudaram essa questão.