چکیده: تشخیص تومور یک وظیفه حیاتی در تصویربرداری پزشکی است که با هدف شناسایی رشدهای غیرطبیعی با دقت و سرعت بالا انجام می‌شود. مکان‌یابی زودهنگام و دقیق تومورها، برنامه‌ریزی درمان و نتایج بیمار را به طور قابل توجهی بهبود می‌بخشد. مدل‌های تشخیص شیء مبتنی بر یادگیری عمیق، به ویژه مدل‌هایی که از شبکه‌های عصبی کانولوشنی استفاده می‌کنند، نویدبخش تشخیص‌های پزشکی بوده‌اند. در میان آنها، خانواده YOLO از آشکارسازهای بلادرنگ، تعادل قوی بین سرعت و دقت ارائه می‌دهند. در این مطالعه، ما دو نسخه بهبود یافته از معماری YOLOv8 را پیشنهاد می‌کنیم که هر کدام با یک مکانیسم توجه متفاوت برای افزایش عملکرد در وظایف تشخیص تومور ادغام شده‌اند. نوع اول شامل ماژول توجه بلوک کانولوشنی(CBAM) است که به طور متوالی توجه کانال و مکانی را برای اصلاح نمایش ویژگی‌ها اعمال می‌کند. نوع دوم از مکانیسم توجه کارآمد(ECA) کانال استفاده می‌کند که با اجتناب از کاهش ابعاد و ثبت تعاملات محلی بین کانال‌ها، توجه کانال سبک اما مؤثر را معرفی می‌کند. هر دو ماژول توجه در YOLOv8 ادغام شدند تا تمرکز آن بر مناطق مرتبط با تومور در تصاویر پزشکی افزایش یابد. نتایج آزمایش‌ها روی مجموعه داده‌های تومور نشان می‌دهد که مدل‌های پیشنهادی YOLOv8 با توجه افزوده، از نظر دقت، یادآوری و میانگین دقت، عملکرد قابل توجهی نسبت به مدل پایه دارند. گنجاندن CBAM و ECA توانایی شبکه را در تمایز بین مناطق تومور و غیر تومور افزایش می‌دهد و منجر به تشخیص‌های قابل اعتمادتری می‌شود. این بهبودها نشان‌دهنده اثربخشی مکانیسم‌های توجه در افزایش عملکرد تشخیصی مدل‌های تشخیص شیء در تصویربرداری پزشکی است.