رویکرد نوین یادگیری انتقالی دو مرحله ای بر پایه MobileNetV۲ برای تشخیص کارآمد تومور در تصاویر پزشکی

تشخیص سریع و دقیق تومورها در تصاویر پزشکی از اهمیت حیاتی برخوردار است. در این مقاله، یک رویکرد یادگیری انتقالی دو مرحله ای نوین مبتنی بر معماری کارآمد MobileNetV۲ ارائه شده است. هدف اصلی، دستیابی به عملکرد بالا در یک محیط محدود منابع با استفاده از یک معماری سبک و استراتژی آموزشی بهینه است. در گام اول، لایه های پایانی (Head) مدل با استفاده از وزن دهی کلاسی (۱.۰ برای کلاس سالم و ۱.۵ برای کلاس تومور) برای مقابله با عدم توازن داده ها آموزش داده شدند. در گام دوم، تنها ۳۰ لایه آخر MobileNetV۲ با نرخ یادگیری بسیار پایین (۱e−۵) تنظیم دقیق (Fine-Tuning) شدند تا ویژگی های عصاره گیری شده (Extracted Features) با دامنه تصاویر پزشکی انطباق یابند. نتایج تجربی نشان می دهد که این استراتژی دو مرحله ای، همراه با استفاده از تکنیک های غنی سازی داده قوی و Callbacks هوشمند (مانند Early Stopping و ReduceLROnPlateau)، منجر به کسب دقت اعتبارسنجی فراتر از ۹۹% شده است، در حالی که پارامترهای قابل آموزش مدل نهایی در محدوده کم باقی می ماندند، که این امر کارایی محاسباتی و عملکرد مدل پیشنهادی را تضمین می کند.

کلیدواژه ها:

یادگیری عمیق ، MobileNetV۲ ، یادگیری انتقالی ، تشخیص تومور ، عدم توازن داده