Применение детекторов RF-DETR и Yolo26 в задаче локализации опухолей головного мозга по МРТ-данным
Автор: Фраленко В.П.
Журнал: Программные системы: теория и приложения @programmnye-sistemy
Рубрика: Искусственный интеллект и машинное обучение
Статья в выпуске: 2 (71) т.17, 2026 года.
Бесплатный доступ
Исследование посвящено сравнительному анализу современных детекторов объектов для локализации опухолей головного мозга по данным магнитно-резонансной томографии. В первой части проведен аналитический обзор современных подходов к неригидной регистрации и сегментации опухолей, а также архитектур трансформерных и гибридных детекторов объектов с деформируемым вниманием, многоканальной агрегацией признаков и специализированными функциями потерь, ориентированных на обработку деформируемых структур с размытыми границами, а также анализ программных реализаций и лицензионных ограничений соответствующих фреймворков. Во второй части выполнено экспериментальное сравнение нейронных сетей RF-DETR и Yolo26 на размеченном датасете опухолей головного мозга в задаче детекции ограничивающих прямоугольников. Отметим, что данная задача представляет собой стандартную процедуру локализации области интереса и не требует специального учета деформируемости структур или неопределенности границ, в отличие от задач сегментации или неригидной регистрации. Оценка качества проведена по метрикам mAP0.50, mAP0.50–0.95 и F1-мерам для IoU 0.50 и 0.50–0.95 при переборе порогов уверенности. Полученные результаты показали, что RF-DETR обеспечивает более высокие интегральные показатели качества и лучшую скорость по сравнению с Yolo26, что подтверждает, что трансформерные детекторы являются перспективным инструментом автоматизированного анализа МРТ-изображений головного мозга. На основе аналитического и экспериментального исследований сформулированы рекомендации по развитию RF-DETR для задач медицинской визуализации, направленные на повышение обобщающей способности модели, устойчивости к сдвигу распределения данных и клинической интерпретируемости результатов.
Опухоль головного мозга, нейронная сеть, трансформер, аналитический обзор, детекция объектов, RF-DETR, Yolo26, медицинская визуализация
Короткий адрес: https://sciup.org/143186016
IDR: 143186016 | УДК: 004.89:616-079 | DOI: 10.25209/2079-3316-2026-17-2-263-293
Application of RF-DETR and Yolo26 Detectors for Brain Tumor Localization Using MRI Data
The study focuses on the application of artificial intelligence methods for detecting non-rigid objects in medical images, using the example of brain tumor detection from magnetic resonance imaging data. The first part presents an analytical review of modern approaches to non-rigid registration and tumor segmentation, as well as transformer-based and hybrid object detector architectures with deformable attention, multi-channel feature aggregation, and specialized loss functions designed for processing deformable structures with blurred boundaries, as well as an analysis of software implementations and licensing constraints of the corresponding frameworks. The second part presents an experimental comparison of the RF-DETR and Yolo26 neural networks on a labeled brain tumor dataset for bounding box detection. Notably, this task represents a standard procedure for localizing the region of interest and does not require special consideration of structural deformability or boundary uncertainty, unlike segmentation or non-rigid registration tasks. Quality assessment was performed using mAP0.50, mAP0.50–0.95 , and F1-score metrics for IoU thresholds of 0.50 and 0.50–0.95 across confidence thresholds. The obtained results showed that RF-DETR provides higher overall quality metrics and better speed compared to Yolo26, confirming that transformer-based detectors are a promising tool for automated analysis of brain MRI images. Based on analytical and experimental findings, recommendations were formulated for further development of RF-DETR in medical imaging tasks, aimed at improving the model's generalization ability, robustness to data distribution shifts, and clinical interpretability of results.
