بررسی جامع روش های بهینه سازی مبتنی بر الگوریتم یادگیری عمیق برای تشخیص زودهنگام سرطان و تومورهای کبدی

تشخیص زودهنگام سرطان و بیماری های کبدی به کمک هوش مصنوعی می تواند به پزشکان کمک کند تا ناهنجاری های کبدی را به طور دقیق شناسایی کرده و خطر جراحی کبد را نیز کاهش دهند. این تشخیص و آشکارسازی عمدتا به تکنیک های تصویربرداری پزشکی مانند تصویربرداری تشدید مغناطیسی (MRI) و همچنین توموگرافی کامپیوتری یا سی تی اسکن (CT) بستگی دارد. قطعه بندی و شناسایی ناهنجاری های کبدی در این تصاویر بسیار چالش برانگیز است، چرا که این تصاویر اغلب با وضوح پایین و نویز شدید همراه هستند. بدین ترتیب، بسیاری از تکنیک های جدید یادگیری ماشین و تجزیه و تحلیل تصاویر به تدریج در این موضوع مورد استفاده قرار گرفته و مفید واقع شده اند، هرچند در برخی موارد، عملکرد آنها هنوز محدود است. یک مدل خودکار و دقیق که ردیابی، تشخیص و شناسایی ناهنجاری های کبدی را در حجم های سه بعدی CT و MRI در بر بگیرد، هنوز وجود ندارد. از این رو، هدف این مقاله بررسی مدل های مختلف برای تشخیص و تشخیص خودکار ضایعه کبدی با CT و MRI است و پیشینه پزشکی تومورهای کبدی و عناصر استاندارد سیستم تشخیص کبد CAD را مورد بحث قرار می دهد. به طور خاص تر، این مقاله یک مطالعه جامع از جدیدترین مطالعات انجام شده در زمینه تشخیص و شناسایی تومور کبد ارائه می دهد که سهم این رویکردهای مختلف و مدل پیشنهادی برای استفاده عملی را مشخص می کند. علاوه بر این، این مقاله قصد دارد محققان جامعه پزشکی، پردازش تصویر و جامعه یادگیری ماشین را تشویق کند تا توجه بیشتری به استفاده از یادگیری عمیق، مدل نورون اسپایک، الگوریتم های بهینه سازی (فرا ابتکاری) الهام گرفته از طبیعت، منطق فازی و منطق نوتروسوفیک برای پرداختن به مشکلات قطعه بندی و پیش بینی/ طبقه بندی برای تشخیص بلادرنگ داشته باشند.

کلیدواژه ها:

پزشکی ، کبد ، سرطان ، هوش مصنوعی ، الگوریتم یادگیری عمیق