تشخیص تومور از طریق پردازش تصویر: مروری بر روش ها، چالش ها و کاربردها (مقاله مروری)

تشخیص تومور و ارایه تفسیر تصاویر پزشکی به کمک کامپیوتر باعث افزایش سرعت تشخیص و کاهش خطاهای انسانی می شود. از طرفی سیستم های هوش مصنوعی با داده های تومور واقعی با چالش هایی نظیر کمبود داده، دشواری حاشیه نویسی، و شیوع پایین برخی تومورها، به ویژه تومورهای مرحله اولیه، مواجه است. تحلیل تومور با تولید نمونه های مصنوعی تومور در تصاویر پزشکی، به آموزش مدل های هوش مصنوعی برای تشخیص و تقسیم بندی تومور کمک می کند. موفقیت در تحلیل تومور به تولید تومورهای مصنوعی واقع گرایانه و قابل تعمیم در اندام های مختلف بستگی دارد. این مقاله مروری به بررسی توسعه هوش مصنوعی بر روی داده های واقعی و مصنوعی پرداخته و دو رویکرد اصلی در داده های مصنوعی برای تحقیقات تصویربرداری سرطان را خلاصه می کند: روش های مبتنی بر مدل سازی و روش های مبتنی بر یادگیری. در روش های مبتنی بر مدل سازی، مانند Pixel۲Cancer، توسعه تومور را در طول زمان با استفاده از قوانین عمومی شبیه سازی می کنند، در حالی که روش های مبتنی بر یادگیری، مانند DiffTumor، از چند نمونه حاشیه نویسی شده در یک اندام یاد گرفته و تومورهای مصنوعی را در اندام های دیگر تولید می کنند. هوش مصنوعی آموزش دیده بر روی تومورهای مصنوعی می تواند به عملکردی قابل مقایسه با یا بهتر از هوش مصنوعی آموزش دیده فقط بر روی داده های واقعی دست یابد.

کلیدواژه ها:

هوش مصنوعی ، پردازش تصویر ، تشخیص تومور