رویکرد یادگیری عمیق در قطعه بندی معنایی تصاویر پزشکی

تصویر برداری پزشکی تکنیک و فرآیند ایجاد تصاویر بصری از بدن بیمار برای تجزیه و تحلیل بالینی و مداخله پزشکی است. متخصصین برای تشخیص و درمان مناسب به شدت به تصاویر پزشکی و مستندات تصویری متکی هستند. با این حال تفسیر دستی و تجزیه و تحلیل تصاویر پزشکی وقت گیر است. لذا قطعه بندی کاملا خودکار ناحیه مورد نظر از تصاویر پزشکی برای افزایش کارایی و دقت درک چنین تصاویری مورد تحقیق قرار گرفته است. با پیشرفت یادگیری عمیق مدلهای مختلف شبکه عصبی موفقیت زیادی در بخش بندی معنایی به دست آورده اند و علایق تحقیقاتی را در بخش بندی تصاویر پزشکی با استفاده از یادگیری عمیق ایجاد نموده اند. در سالهای اخیر هوش مصنوعی در بسیاری از زمینه ها برای رسیدگی به وظایف پیچیده و حیاتی دنیای واقعی استفاده شده است. یادگیری عمیق به عنوان زیر شاخه هوش مصنوعی مطرح می شود. جایی که شبکه های عصبی مصنوعی برای انجام عملیات پیچیده استفاده میشوند که میتوانند حتی برای کاربران با تجربه چالش برانگیز باشد. یکی از انواع شبکه های عصبی عمیق شبکه عصبی کانولوشنی نام دارد که با ارائه نتایج پیشرفته برای بسیاری از چالش های مهم پردازش تصویر پتانسیل بالایی را در قطعه بندی و طبقه بندی تصاویر ارائه میدهد. در این مقاله با بررسی ویژگی های یادگیری عمیق در قطعه بندی تصاویر پزشکی دو ساختار مختلف از شبکه Net- پیاده سازی گردید. این دو مدل در ساختار تک جریانی و چند جریانی با استفاده از مجموعه داده معتبر آموزش داده شدند و نتایج مطلوبی در مقایسه با سایر الگوریتمهای یادگیری عمیق بدست آمد.

کلیدواژه ها:

شبکه های عصبی عمیق قطعه بندی تصاویر پزشکی شبکه عصبی کانولوشنی ، شبکه U-Net