Aim – to evaluate the effectiveness of the YOLOv8 algorithm for automatic segmentation of demyelination lesions in various locations in patients with multiple sclerosis.
Material and methods. The study included 120 patients with a clinically confirmed diagnosis of multiple sclerosis who underwent contrast-enhanced MRI. The MRI data from patients with different types of disease progression were analyzed. T1-weighted, T2-weighted, and FLAIR sequences were used for the analysis. The YOLOv8 algorithm was adapted for medical imaging and trained on manually annotated MRI scans. Model performance was evaluated using precision, recall, and F1-Score metrics.
Results. The YOLOv8 model demonstrated high segmentation performance with a precision of 0.79, recall of 00.73, and F1-Score of 0.65. The model effectively identified demyelination lesions in various locations typical for multiple sclerosis. However, there remains a need to improve recall to minimize the missed lesions. Testing on independent data confirmed the stability of the results of the model.
Conclusion. The YOLOv8 algorithm shows significant potential for automatic segmentation of demyelination lesions in multiple sclerosis patients. This method could be successfully implemented in clinical practice, enabling faster diagnosis and improved monitoring of disease progression. Further optimization of the model, through data augmentation techniques and hybrid architectures, may enhance both segmentation accuracy and recall.
Цель – оценить эффективность использования алгоритма YOLOv8 для автоматической сегментации очагов демиелинизации различной локализации у пациентов с рассеянным склерозом.
Материал и методы. В исследование включены 120 пациентов с клинически достоверным диагнозом «рассеянный склероз», которым была проведена МРТ с контрастированием. Были проанализированы МРТ пациентов с различным типом течения заболевания. Для анализа использовались T1-, T2-взвешенные и FLAIR последовательности. Алгоритм YOLOv8 был адаптирован для медицинских данных и обучен на размеченных вручную МРТ-снимках. Оценка производительности модели проводилась с использованием метрик точности (Precision), полноты (Recall) и F1-мера.
Результаты. Модель YOLOv8 показала высокие результаты сегментации: точность – 0,79, полнота – 0,73, F1 мера – 0,61. Модель эффективно идентифицировала очаги демиелинизации различной локализации, типичной для рассеянного склероза. Остается необходимость в повышении полноты для минимизации пропуска поражений. Тестирование на независимых данных подтвердило стабильность результатов модели.
Выводы. Алгоритм YOLOv8 демонстрирует высокий потенциал для автоматической сегментации очагов демиелинизации у пациентов с рассеянным склерозом. Данная методика может быть успешно внедрена в клиническую практику, что позволит ускорить диагностику и улучшить контроль за прогрессированием заболевания. Для дальнейшего повышения точности и полноты сегментации возможна оптимизация модели через использование методов усиления данных и гибридных архитектур.