افزایش دقت تقسیم بندی سرطان کبد در تصاویر CT با ترکیب Deep Supervision و Attention Mechanisms

سرطان کبد یکی از شایع ترین انواع سرطان ها است که به ویژه در مراحل اولیه، شناسایی آن دشوار است. تشخیص زودهنگام این نوع سرطان می تواند تاثیر زیادی در درمان و بهبود پیش آگهی بیماران داشته باشد. تصاویر پزشکی مانند MRI و CT از جمله ابزارهای اصلی برای شناسایی سرطان کبد هستند، اما مشکلاتی مانند کنتراست پایین و تومورهای کوچک در این تصاویر باعث کاهش دقت سیستم های خودکار تقسیم بندی می شود. این چالش ها به ویژه در شناسایی دقیق نواحی سرطانی کم کنتراست و کوچک تاثیرگذار است. در این مقاله، روشی نوآورانه برای بهبود دقت تقسیم بندی سرطان کبد پیشنهاد می شود. روش پیشنهادی بر مبنای شبکه U-Net است که با استفاده از تکنیک Deep Supervision در لایه های مختلف مدل، اطلاعات دقیق تری را از ویژگی های ریز و کم کنتراست استخراج می کند. علاوه بر این، Attention Mechanisms برای توجه به نواحی مهم تصویر و بهبود فرآیند شناسایی ویژگی های پیچیده تر استفاده شده است. این ترکیب از تکنیک ها باعث می شود که مدل توانایی شناسایی تومورهای کوچک و با کنتراست پایین را به طور موثری افزایش دهد. نتایج آزمایش ها نشان می دهند که مدل پیشنهادی در مقایسه با مدل های مشابه، Dice Similarity Coefficient (DSC) بهبود یافته ای به میزان ۳ درصد نشان می دهد. همچنین، مدل توانسته است به طور دقیق تری تومورهای کوچک و نواحی کم کنتراست را شناسایی کند، که نشان دهنده عملکرد بالاتر روش پیشنهادی در مقایسه با سایر رویکردها است. این بهبود دقت می تواند به تشخیص زودهنگام تر سرطان کبد و در نتیجه درمان بهتر بیماران کمک کند.

کلیدواژه ها:

حداکثر نظارت عمیق ، تقسیم بندی سرطان کبد ، مکانیزم های توجه U-Net ، پردازش تصویر پزشکی.