شبکه ResNet50 تقویت‌شده با مکانیزم توجه برای دسته‌بندی دقیق چندکلاسه تومورهای داخل‌چشمی در تصاویر فوندوس با میدان دید فراگسترده

شبکه ResNet50 تقویت‌شده با مکانیزم توجه برای دسته‌بندی دقیق چندکلاسه تومورهای داخل‌چشمی در تصاویر فوندوس با میدان دید فراگسترده

هلیا حاجی1 صدیقه دهقانی2

1) دانشجوی کارشناسی ارشد مهندسی پزشکی گرایش بیوالکتریک، دانشگاه آزاد اسلامی واحد علوم و تحقیقات
2) دکترا تخصصی مهندسی پزشکی، استادیار و عضو هیأت علمی دانشگاه شهید بهشتی

کد IOI مقاله : AAHD-ABCFCD
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    طبقه‌بندی دقیق چندکلاسه تومورهای داخل چشمی به دلیل شباهت‌های ظریف بین‌کلاسی، محدودیت داده‌های برچسب‌خورده و پیچیدگی تصاویر فوندوس با میدان دید فوق‌وسیع (UWF) همچنان یک چالش اساسی محسوب می‌شود. در این پژوهش، یک چارچوب یادگیری عمیق مبتنی بر توجه (Attention-Enhanced) بر پایه ResNet-50 برای طبقه‌بندی (دسته بندی) دقیق شش دسته از وضعیت‌های داخل چشمی با استفاده از مجموعه‌داده UWF Fundus Images of Intraocular Tumors (شامل ۲۰۳۱ تصویر) ارائه شده است. به‌منظور بهره‌گیری بهتر از شبکه ResNet-50، از یادگیری انتقالی استفاده شد و آزمایش‌های نظام‌مند برای ارزیابی تأثیر رزولوشن ورودی، محل قرارگیری مکانیزم توجه Squeeze-and-Excitation (SE) و راهبرد انجماد لایه‌ها انجام گرفت. نتایج نشان داد که رزولوشن ورودی 768×768 پیکسل توازن بهینه‌ای میان حفظ جزئیات پاتولوژیک ظریف و کارایی محاسباتی فراهم می‌کند. ادغام انتخابی مکانیزم توجه SE در عمیق‌ترین مرحله باقیمانده شبکه نیز به‌طور معناداری عملکرد تعمیم‌پذیری را بهبود داد (دقت آزمون = 0.985، F1 = 0.986، ضریب کاپای کوهن = 0.972) و از مدل پایه ResNet-50 فراتر رفت. در مقابل، توزیع مکانیزم توجه در چندین مرحله شبکه، با وجود افزایش پیچیدگی مدل، به بهبود پایدار در استحکام عملکرد منجر نشد. علاوه بر این، انجماد هدفمند لایه‌های ابتدایی باقیمانده به‌عنوان یک راهبرد منظم‌سازی مؤثر عمل کرده و در شرایط داده محدود، تعمیم‌پذیری مدل را بهبود بخشید. یافته‌ها نشان می‌دهد که بهینه‌سازی دقیق عمق به‌کارگیری توجه و میزان انطباق پارامترها، نقش کلیدی در دستیابی به یک سامانه پایدار و از نظر بالینی قابل‌اعتماد برای طبقه‌بندی چندکلاسه تومورهای داخل چشمی ایفا می‌کند.

کلمات کلیدی : هوش مصنوعی یادگیری عمیق طبقه بندی تومور تومورهای داخل چشمی resnet50