یادگیری عمیق در تحلیل تصاویر پزشکی یک مرور جامع با تمرکز بر طبقه بندی کووید-۱۹

یادگیری عمیق به عنوان یکی از پیشرفته ترین شاخه های هوش مصنوعی در سالهای اخیر نقش مهمی در تحلیل تصاویر پزشکی ایفا کرده است. این مقاله مروری جامع بر کاربردهای یادگیری عمیق در تحلیل تصاویر پزشکی با تمرکز ویژه بر طبقه بندی کووید - ارائه میدهد با ظهور همه گیری کووید ۱۹ نیاز به ابزارهای تشخیصی سریع و دقیق بیش از پیش احساس شد و تکنیکهای یادگیری عمیق به ویژه شبکه های کانولوشنی (CNN) ، به طور گسترده برای شناسایی الگوهای مرتبط با این بیماری در تصاویر رادیوگرافی قفسه سینه و سی تی اسکن مورد استفاده قرار گرفتند. در این مطالعه، ابتدا مروری بر مفاهیم پایه یادگیری عمیق و کاربردهای آن در تصویر برداری پزشکی ارائه میشود سپس، روشهای مختلف پیش پردازش داده ها، معماریهای شبکه های عمیق و تکنیکهای ارزیابی عملکرد بررسی میشوند. یافته ها نشان می دهند که مدلهای یادگیری عمیق در مقایسه با روشهای سنتی دقت و حساسیت بالاتری در تشخیص کووید-۱۹ دارند، اگرچه چالشهایی نظیر کمبود داده های باکیفیت و تعمیم پذیری مدلها همچان باقی است در نهایت این مقاله به بحث درباره محدودیت ها، فرصت ها و جهت گیریهای آینده در این حوزه می پردازد. نتایج این مرور حاکی از آن است که یادگیری عمیق می تواند به عنوان ابزاری قدرتمند در حمایت از پزشکان در تشخیص سریع و مدیریت بهتر بیماریهای عفونی مانند کووید - ۱۹- عمل ،کند مشروط بر اینکه چالشهای موجود برطرف شوند.

کلیدواژه ها:

یادگیری عمیق تحلیل تصاویر ، پزشکی ، کووید-۱۹ ، طبقه بندی ، شبکه های کانولوشنی