مروری بر تکنیک های یادگیری عمیق در بخش بندی تومور در تصاویر پزشکی

بخش بندی تومور در تصاویر پزشکی یکی از مراحل اساسی در تشخیص، برنامه ریزی درمان و پایش پیشرفت بیماری به شمار می رود. در سال های اخیر، روش های مبتنی بر یادگیری عمیق تحول قابل توجهی در تحلیل خودکار تصاویر پزشکی ایجاد کرده اند. معماری های شبکه های عصبی کانولوشنی به ویژه مدل هایی مانند U-Net و گونه های پیشرفته آن، به دلیل توانایی در استخراج ویژگی های چندمقیاسی و یادگیری الگوهای پیچیده تصویری، عملکرد قابل توجهی در بخش بندی نواحی توموری در تصاویر MRI، CT و PET نشان داده اند. همچنین ترکیب تکنیک هایی مانند شبکه های توجه، یادگیری چندوظیفه ای و مدل های ترنسفورمر موجب بهبود دقت و پایداری نتایج در شرایط داده محدود شده است. با وجود پیشرفت های چشمگیر، چالش هایی نظیر کمبود داده های برچسب خورده، ناهمگونی تصاویر پزشکی و تعمیم پذیری مدل ها همچنان مطرح هستند. بررسی پژوهش های اخیر نشان می دهد که توسعه معماری های ترکیبی و استفاده از راهبردهای یادگیری نیمه نظارتی و انتقال یادگیری می تواند مسیرهای موثری برای ارتقای عملکرد سامانه های بخش بندی تومور در کاربردهای بالینی فراهم کند.

کلیدواژه ها:

یادگیری عمیق ، بخش بندی تومور ، تصاویر پزشکی ، شبکه های عصبی کانولوشنی ، U-Net