بهبود تشخیص ناحیه جراحت HIFU از طریق یادگیری نظارت شده و خودنظارتی متضاد با استخراج ویژگی مبتنی بر موجک و نمونه های منفی سخت (HWCSSL)

مقدمه: هوش مصنوعی که با الگوریتم های یادگیری ماشین قدرت می گیرد، در حال دگرگون کردن جنبه های مختلف فعالیت های انسانی مانند طبقه بندی، تشخیص، پیش بینی و غیره است که هدف آن بهبود کیفیت زندگی و خدمات می باشد. با وجود کارایی روش های سنتی که مبتنی بر ویژگی های دست ساز داده ها هستند، این روش ها در وظایف پیچیده ای مانند تشخیص پزشکی با محدودیت هایی مواجه می شوند. پیشرفت شبکه های عصبی عمیق (DNNs) در استخراج خودکار ویژگی ها، تحلیل داده ها را دگرگون کرده است. تحقیق پیش­رو این توانایی را در تشخیص جراحت HIFU به کار می گیرد که برای درمان سرطانها و یا متوقف­کردن خونریزی توسعه داده­شده­اند. روش کار: در این مطالعه روشی نوآورانه برای استخراج ویژگی ها با ترکیب یادگیری نظارت شده و خودنظارتی و استفاده از نمونه های منفی سخت توسعه داده شد. این روش از سیگنال RF و تصاویر B-mode استفاده کرده و داده های برچسب دار و بدون برچسب را به طور همزمان پردازش می کند و همچنین تکنیک های افزایش داده، مانند تبدیل های موجک، برای بهبود استخراج ویژگی ها و دقت تشخیصی به کار گرفته شدند. یافته ها: مدل پیشنهادی بهبودهای قابل توجهی در طبقه بندی جراحت HIFU نشان داد. معیارهای ارزیابی، شامل دقت، صحت، یادآوری و امتیاز F۱، بر اثربخشی مدل در تمایز بین بافت جراحت و سالم در طول درمان HIFU تاکید دارند. ترکیب داده های سیگنال و تصویر به طور چشمگیری به عملکرد برتر مدل کمک کرد. نتیجه گیری: این رویکرد یک روش بسیار دقیق برای تشخیص جراحت HIFU از طریق چارچوب یادگیری عمیق خودنظارتی ارائه می دهد. با ترکیب تکنیک های نظارت شده و خودنظارتی، مدل بینش های ارزشمندی از داده های بدون برچسب استخراج کرده و دقت و کاربردپذیری در درمان های غیرتهاجمی را افزایش می دهد. این روش به چالش های کلیدی در تصویربرداری پزشکی پرداخته و دقت تشخیصی را، به ویژه در کاربردهای بلادرنگ، بهبود می بخشد.

کلیدواژه ها:

High-intensity focused ultrasound ، Deep neural networks ، Self-supervised learning ، Lesion detection ، Contrastive learning ، Wavelet transform ، اولتراسوند متمرکز با شدت بالا ، شبکه های عصبی عمیق ، یادگیری خودنظارتی ، تشخیص جراحت ، یادگیری متضاد ، تبدیل موجک