الگوریتم های پردازش تصویر پزشکی مبتنی بر Vision Transformer

افزایش حجم داده های تصویربرداری پزشکی و ضرورت تحلیل دقیق، سریع و قابل اعتماد آن ها موجب شده است که روش های یادگیری عمیق به جزء مهمی از سامانه های تشخیصی و کمک تشخیصی تبدیل شوند. شبکه های کانولوشنی طی سال های اخیر در ماموریت هایی مانند طبقه بندی، تشخیص ضایعات و بخش بندی ساختارهای آناتومیک عملکرد چشم گیری داشته اند اما ذات محلی این شبکه ها در مدل سازی وابستگی های بلندبرد و الگوهای زمینه ای پیچیده محدودیت ایجاد می کند. معماری Transformer و نسخه بینایی آن یعنی Vision Transformer (VIT)، با استفاده از مکانیزم توجه خودمحور امکان مدل سازی همزمان روابط بین تمام نواحی تصویر را فراهم ساخته و به همین دلیل به سرعت به یکی از محورهای اصلی پژوهش در پردازش تصویر پزشکی تبدیل شده است. در سال های اخیر، روش های مبتنی بر VIT در طیف گسترده ای از کاربردها از جمله تخمین سن استخوان در رادیوگرافی دست، تشخیص COVID-۱۹ از تصاویر X-ray قفسه سینه، سگمنتیشن تومور مغزی در MRI چند موداله، تحلیل تصاویر CT، طبقه بندی تصاویر هیستوپاتولوژی، بخش بندی پولیپ در آندوسکوپی و تحلیل تصاویر سونوگرافی مورد استفاده قرار گرفته اند. در کنار معماری های VIT، نسخه های ساده، چندمقیاسی، سه بعدی و شبکه های هیبریدی Transformer نیز توسعه یافته اند تا از مزایای توامان استخراج ویژگی های محلی و توجه سراسری بهره ببرند. در این مقاله ابتدا ساختار پایه و نسخه های توسعه یافته Vision Transformer معرفی می شوند سپس شبکه های هیبریدی CNN-Transformer و کاربرد آن ها در مدالیته های مختلف تصویر برداری پزشکی بررسی می گردند. در ادامه رویکردهای ارزیابی و نتایج کلیدی گزارش شده، چالش ها و محدودیت های فعلی و در پایان روندهای آینده در این حوزه مورد بحث قرار می گیرند.

کلیدواژه ها:

Vision Transformer ، پردازش تصویر پزشکی ، یادگیری عمیق ، شبکه های هیبریدی ، بخش بندی ، طبقه بندی تصاویر پزشکی ، CNN