طراحی مدل ترکیبی CNN-Transformer و استفاده از یادگیری بدون نظارت برای بهبود کیفیت و کشف ویژگی های آناتومیک در تصاویر OPG جهت بهبود سلامت جسمانی در مناطق حاشیه نشین

کیفیت پایین تصاویر رادیوگرافی پانورامیک دندان (OPG) و کمبود داده های برچسب خورده می تواند منجر به عدم تشخیص صحیح مشکلات دهان و دندان و ایجاد اختلال در روند درمان گردد. هدف این پژوهش، طراحی یک مدل یادگیری بدون نظارت برای بازسازی دقیق تصاویر OPG و بهبود کیفیت استخراج ویژگی های آناتومیکی در شرایط کمبود داده های برچسب خورده می باشد. در این پژوهش که بر روی ۱۰۷۵ تصویر OPG انجام شده است، با بهره گیری از یک مدل ترکیبی CNN-Transformer و یادگیری بدون نظارت مبتنی بر Masked Autoencoder (MAE)، بخشی از داده های ورودی به طور تصادفی ماسک شده و مدل، وظیفه بازسازی آن را بر عهده دارد. ارزیابی عملکرد مدل با استفاده از معیارهای PSNR و SSIM انجام شده است و نتایج، بهبود قابل توجهی (PSNR=۲۵, SSIM=۰.۷) نسبت به مقالات مشابه نشان دادند. همچنین، ساختار سبک مدل توسعه یافته، امکان استفاده از آن را در دستگاه های دارای محدودیت منابع محاسباتی فراهم می کند. افزایش چشمگیر این دو معیار، حاکی از حفظ ویژگی های آناتومیکی و ساختار اصلی تصاویر می باشد. استفاده از این مدل پیشنهادی، امکان تشخیص دقیق ناهنجاری های دهان و دندان و تسهیل فرآیند غربالگری اولیه را در مناطق محروم ممکن می سازد. همچنین به علت استفاده از یادگیری بدون نظارت در این پژوهش، امکان استفاده از این مدل، در شرایط محدودیت داده های برچسب خورده فراهم است.

کلیدواژه ها:

شبکه عصبی کانولوشنی (CNN) ، تصاویر رادیوگرافی پانورامیک دندان (OPG) ، یادگیری بدون نظارت ، سلامت جسمانی ، بازسازی تصویر پزشکی