طبقه بندی هوشمند تصاویر پزشکی با بهره گیری از تلفیق بردارهای ویژگی در سطح میانی شبکه های عمیق هیبرید
طبقه بندی هوشمند تصاویر پزشکی با بهره گیری از تلفیق بردارهای ویژگی در سطح میانی شبکه های عمیق هیبرید
امین فقیه1 حسن قائدی2 مجتبی حکیم زاده3
1) گروه کامپیوتر ، دانشگاه آزاد اسلامی، واحد تنگستان، اهرم ، ایران
2) گروه کامپیوتر ، دانشگاه آزاد اسلامی، واحد خورموج، خورموج ، ایران
3) گروه برق، دانشگاه آزاد اسلامی، واحد تنگستان، اهرم ، ایران
کد IOI مقاله
:
AAHD-ABGHZK
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
با رشد سریع فناوریهای تصویربرداری پزشکی، توسعه سامانههای هوشمند برای تحلیل و طبقهبندی خودکار تصاویر به یکی از نیازهای مهم در حوزه تشخیص پزشکی تبدیل شده است، زیرا چنین سامانههایی میتوانند خطاهای انسانی را کاهش داده و روند تصمیمگیری بالینی را تسریع کنند. در سالهای اخیر، شبکههای عصبی پیچشی به دلیل توانایی بالا در استخراج ویژگیهای مکانی و الگوهای بافتی، کاربرد گستردهای در تحلیل تصاویر پزشکی پیدا کردهاند؛ با این حال، این شبکهها در مدلسازی روابط ساختاری و وابستگیهای ترتیبی میان اجزای تصویر با محدودیتهایی مواجه هستند. در مقابل، شبکههای عصبی بازگشتی توانایی مناسبی در یادگیری وابستگیهای توالیمحور دارند، اما در استخراج مستقیم ویژگیهای بصری پیچیده چندان کارآمد نیستند. در بسیاری از پژوهشهای پیشین، ترکیب این دو معماری در لایههای پایانی انجام میشود که این امر میتواند به از دست رفتن بخشی از اطلاعات ارزشمند موجود در لایههای میانی شبکهها منجر شود. در این پژوهش، به منظور بهبود دقت و پایداری در طبقهبندی تصاویر پزشکی، یک معماری هیبریدی مبتنی بر تلفیق بردارهای ویژگی در سطح میانی شبکههای عمیق پیشنهاد میشود. در رویکرد ارائهشده، ابتدا ویژگیهای نیمهپردازششده از لایههای میانی شبکه عصبی پیچشی استخراج شده و به صورت یک توالی ساختاریافته به شبکه عصبی بازگشتی منتقل میشوند تا روابط وابستگی میان اجزای تصویر بهتر مدلسازی شود. سپس بردارهای ویژگی تولیدشده توسط هر دو شبکه در سطوح میانی با یکدیگر ادغام میشوند تا بازنمایی غنیتر و چندبعدیتری از اطلاعات تصویر ایجاد گردد. برای ارزیابی عملکرد مدل پیشنهادی، از مجموعهداده ChestX-ray14 شامل 112120 تصویر رادیوگرافی قفسه سینه در 14 کلاس بیماری استفاده شده است. فرآیند پژوهش شامل مراحل پیشپردازش دادهها، آموزش مدل و ارزیابی عملکرد با استفاده از شاخصهای Accuracy، Precision، Recall، F1-score و AUC است. نتایج مورد انتظار نشان میدهد که تلفیق ویژگیها در لایههای میانی و تعامل همزمان میان دو معماری CNN و RNN میتواند موجب بهبود قابلیت تعمیم، افزایش پایداری مدل و ارتقای دقت طبقهبندی در مواجهه با دادههای متنوع و نویزی پزشکی شود. دستاوردهای این پژوهش میتواند در توسعه سامانههای هوشمند پشتیبان تصمیمگیری بالینی و ارتقای کیفیت تشخیص در سامانههای پزشکی مبتنی بر هوش مصنوعی مؤثر واقع شود.
کلمات کلیدی : یادگیری عمیق شبکه عصبی پیچشی شبکه عصبی بازگشتی تلفیق ویژگی در سطح میانی طبقهبندی تصاویر پزشکی