بهینه سازی طبقه بندی ضایعات کبدی با استفاده از داده های مصنوعی تولیدشده توسط GAN و تکنیک های پیشرفته افزایش داده

تشخیص دقیق و به موقع ضایعات کبدی در تصویربرداری پزشکی یکی از چالش های اساسی در حوزه سلامت است که نیازمند بهره گیری از تکنیک های پیشرفته و مجموعه داده های کافی برای بهبود فرآیند تشخیص است. این پژوهش با هدف بهبود طبقه بندی ضایعات کبدی در تصاویر سی تی اسکن، یک رویکرد ترکیبی ارائه می دهد که تولید داده های مصنوعی توسط شبکه های مولد تقابلی (GAN) را با روش های کلاسیک افزایش داده، مانند چرخش، وارونگی و تغییر اندازه، ترکیب می کند. در مرحله نخست، مجموعه داده های آموزشی با استفاده از تکنیک های کلاسیک افزایش یافت و در ادامه، تصاویر مصنوعی با کیفیت بالا توسط GAN تولید شدند. نتایج نشان داد که ترکیب این داده ها حساسیت مدل را از ۷۷.۵٪ به ۸۵٪ و دقت تشخیصی را از ۸۷.۳٪ به ۹۳.۱٪ ارتقا داد. این پژوهش، با تاکید بر نقش داده های مصنوعی، گامی موثر در بهبود عملکرد مدل های یادگیری عمیق در تشخیص خودکار ضایعات کبدی برداشته است. همچنین، یافته ها نشان دهنده پتانسیل بالای استفاده از تکنیک های مبتنی بر هوش مصنوعی در توسعه ابزارهای تشخیصی نوین هستند که می توانند هزینه ها و خطاهای انسانی در فرآیندهای پزشکی را کاهش دهند.

کلیدواژه ها:

طبقه بندی ضایعات کبدی ، شبکه های مولد تقابلی(GAN) ، افزایش داده های مصنوعی ، تصویربرداری پزشکی ، یادگیری عمیق ، تحلیل تصاویر سی تی اسکن ، بهبود دقت تشخیصی