بهبود قطعه بندی تصاویر پزشکی با استفاده از یادگیری ماشین: نقش بهینه سازی ویژگی های استخراج شده در شبکه های عصبی کانولوشنی

در سال های اخیر، شبکه های عصبی کانولوشنی مبتنی بر یادگیری عمیق به پیشرفت های چشمگیری، به ویژه در حوزه قطعه بندی تصاویر پزشکی، دست یافته اند. با این حال، عواملی مانند طراحی یکنواخت لایه ها، بهره گیری ناکافی از اطلاعات چندمقیاسی و افزایش پیچیدگی مدل ها به دلیل تعداد بالای پارامترها، عملکرد این روش ها را در شرایط پیچیده محدود کرده است. افزون بر این، امنیت داده ها و حفظ حریم خصوصی از چالش های اساسی در پردازش داده های پزشکی محسوب می شوند. در این پژوهش، یک مدل کانولوشنی رمزگذار-رمزگشا بهبودیافته معرفی شده است که از استراتژی هایی برای بهینه سازی ویژگی های استخراج شده و کاهش تعداد پارامترها بهره می برد. این مدل با به کارگیری سازوکارهای حفظ اطلاعات پایه و ماژول های توجه متراکم، توانایی استخراج اطلاعات چندسطحی را ارتقا داده و به عنوان یک گزینه بهینه برای استفاده در ساختار یادگیری فدرال، امنیت و کارایی بیشتری را ارائه می دهد. ارزیابی مدل پیشنهادی بر روی مجموعه داده ClinicDB-CVC نشان می دهد که این روش در مقایسه با سایر روش های پیشرفته، عملکرد بهتری را از نظر معیار میانگین تقاطع بر روی اتحاد ارائه می دهد.

کلیدواژه ها:

یادگیری ماشین ، قطعه بندی تصاویر پزشکی ، یادگیری فدرال ، معماری قطعه بندی عمیق با فشردگی ویژگی ها