بهبود بازیابی تصاویر پزشکی از طریق یادگیری عمیق کد درهم سازی با استفاده از ارتقای نرمال سازی

تکنیکهای بازیابی تصاویر توسط یادگیری عمیق در جهت تفسیر دادههای پزشکی مربوط به تومور نتایج بسیار امید بخشی از خود ارایه نموده اند و در تشخیص و ارائه راه درمانی مناسب از اهمیت زیادی برخوردار هستند با این حال باز هم چالشهایی در این زمینه وجود دارد که می تواند گریبان گیر رادیولوژیستها در غربالگری بالینی شود و تا حد زیادی بر عملکرد بازیابی نمونههای پزشکی تاثیر گذارد. در این مقاله روشی بهبود یافته با نام Net - بهبود یافته در جهت جلوگیری از این گونه ابهامات در بازیابی نمونههای پزشکی ارائه شده است، شبکه Y-Net از مجموعه ای از لایههای پیچشی تشکیل شده که به طور موازی برای استخراج ویژگیهای پیچیده تصاویر پزشکی عمل میکنند. ما در این تحقیق یک مدل جدید از Y-Net با تمرکز بر بهبود دقت بازیابی تصاویر پزشکی پیشنهاد میدهیم که نرمال سازی وزنی به جای روشهای سنتی به کار گرفته شده است آزمایشها برروی مجموعه دادههای (JSRT) نشان دهنده آنست که Y-Net بهبود یافته میتواند نسبت به Y-Net پایه ابهام مناطق غیر طبیعی پاتولوژیک را کاهش دهد عملکرد بازیابی روش پیشنهادی با سایر الگوریتمهای رقیب براساس ۵@map@۱۰ ،map ۲۰@map و ۵۰@map اندازه گیری شده است که نشان دهند افزایشهایی ،۲۵ ۱۱.۹ ۱۰.۷۸ و ۱۲.۱۱ نسبت به روش قبلی است.

کلیدواژه ها:

بازیابی تصاویر پزشکی ، روشهای درهم ، عمیق تصویر مبتنی بر محتوا ، ویژگی های کانولوشن