بهبود قطعه‌بندی تصاویر پزشکی با استفاده از یادگیری ماشین: نقش بهینه‌سازی ویژگی‌های استخراج‌شده در شبکه‌های عصبی کانولوشنی

الموضوعات : New technologies in distributed systems and algorithmic computing

مسلم کاویانی ¹ , ام الکلثوم شهریاری ²

1 - گروه مهندسی کامپیوتر، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران
2 - گروه مهندسی کامپیوتر، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران

تاريخ الإرسال : 15 السبت , رمضان, 1446 تاريخ التأكيد : 01 الأربعاء , ذو الحجة, 1446 تاريخ الإصدار : 11 السبت , ذو الحجة, 1446

الکلمات المفتاحية: یادگیری ماشین, قطعه‌بندی تصاویر پزشکی, یادگیری فدرال, معماری قطعه‌بندی عمیق با فشردگی ویژگی‌ها,

ملخص المقالة :

در سال‌های اخیر، شبکه‌های عصبی کانولوشنی مبتنی بر یادگیری عمیق به پیشرفت‌های چشمگیری، به‌ویژه در حوزه قطعه‌بندی تصاویر پزشکی، دست یافته‌اند. با این حال، عواملی مانند طراحی یکنواخت لایه‌ها، بهره‌گیری ناکافی از اطلاعات چندمقیاسی و افزایش پیچیدگی مدل‌ها به دلیل تعداد بالای پارامترها، عملکرد این روش‌ها را در شرایط پیچیده محدود کرده است. افزون بر این، امنیت داده‌ها و حفظ حریم خصوصی از چالش‌های اساسی در پردازش داده‌های پزشکی محسوب می‌شوند. در این پژوهش، یک مدل کانولوشنی رمزگذار-رمزگشا بهبودیافته معرفی شده است که از استراتژی‌هایی برای بهینه‌سازی ویژگی‌های استخراج‌شده و کاهش تعداد پارامترها بهره می‌برد. این مدل با به‌کارگیری سازوکارهای حفظ اطلاعات پایه و ماژول‌های توجه متراکم، توانایی استخراج اطلاعات چندسطحی را ارتقا داده و به‌عنوان یک گزینه بهینه برای استفاده در ساختار یادگیری فدرال، امنیت و کارایی بیشتری را ارائه می‌دهد. ارزیابی مدل پیشنهادی بر روی مجموعه داده ClinicDB-CVC نشان می‌دهد که این روش در مقایسه با سایر روش‌های پیشرفته، عملکرد بهتری را از نظر معیار میانگین تقاطع بر روی اتحاد ارائه می‌دهد.