معماری‌های پیشرفته یادگیری عمیق برای تحلیل تصاویر پزشکی: شبکه‌های رمزگذار-رمزگشا، ترنسفورمر و ترکیبی

معماری‌های پیشرفته یادگیری عمیق برای تحلیل تصاویر پزشکی: شبکه‌های رمزگذار-رمزگشا، ترنسفورمر و ترکیبی

منا فاضل قاضیانی1 بیتا خیری2

1) استادیار گروه رادیولوژی، دانشگاه علوم پزشکی تبریز
2) دانشجوی کارشناسی ارشد فناوری تصویر برداری،دانشگاه علوم پزشکی تبریز

کد IOI مقاله : AAHD-ABKCCD
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    پیشرفت‌های اخیر در یادگیری عمیق، با فراهم کردن امکان تشخیص خودکار بسیار دقیق، قطعه‌بندی و پشتیبانی از تصمیم‌گیری بالینی، تجزیه و تحلیل تصاویر پزشکی را به طور قابل توجهی متحول کرده است. اگرچه شبکه‌های عصبی کانولوشن (CNN) به عنوان پایه و اساس بسیاری از سیستم‌های تصویربرداری پزشکی عمل کرده‌اند، اما توانایی محدود آنها در مدل‌سازی اطلاعات زمینه‌ای دوربرد و روابط آناتومیکی پیچیده، انگیزه توسعه معماری‌های شبکه عصبی پیشرفته‌تر را ایجاد کرده است. مدل‌های رمزگذار-رمزگشا، شبکه‌های مبتنی بر ترانسفورماتور و معماری‌های ترکیبی به عنوان جایگزین‌های قدرتمندی ظهور کرده‌اند که قادر به رفع این محدودیت‌ها و در عین حال بهبود عملکرد تشخیصی در کاربردهای بالینی متنوع هستند. این بررسی، مروری جامع بر معماری‌های پیشرفته یادگیری عمیق ارائه می‌دهد که به طور فزاینده‌ای در تجزیه و تحلیل تصاویر پزشکی مدرن تأثیرگذار شده‌اند. مدل‌های رمزگذار-رمزگشا، از جمله U-Net، U-Net++ و Attention U-Net، با تأکید بر قابلیت‌های قطعه‌بندی و کاربردهای بالینی آنها مورد بحث قرار می‌گیرند. معماری‌های مبتنی بر ترانسفورماتور، به ویژه Vision Transformer (ViT) و Swin Transformer، به دلیل توانایی آنها در ثبت اطلاعات زمینه‌ای کلی و بهبود درک تصویر بررسی می‌شوند. علاوه بر این، شبکه‌های ترکیبی CNN-Transformer و مدل‌های بازگشتی مانند حافظه کوتاه‌مدت بلند (LSTM) بررسی می‌شوند تا نشان داده شود که چگونه ترکیب نقاط قوت معماری مکمل می‌تواند عملکرد را در تجزیه و تحلیل داده‌های پزشکی چندوجهی و متوالی افزایش دهد. یک تجزیه و تحلیل مقایسه‌ای با ارزیابی این معماری‌ها از نظر دقت تقسیم‌بندی، پیچیدگی محاسباتی، الزامات داده، قابلیت تفسیر و کاربرد بالینی ارائه می‌شود. چالش‌های فعلی، از جمله مجموعه داده‌های حاشیه‌نویسی شده محدود، تقاضای محاسباتی بالا، قابلیت تفسیر مدل و قابلیت تعمیم در موسسات مراقبت‌های بهداشتی نیز مورد بحث قرار می‌گیرند. در نهایت، جهت‌های تحقیقاتی نوظهور شامل مدل‌های پایه، یادگیری خودنظارتی، هوش مصنوعی چندوجهی، یادگیری فدرال و هوش مصنوعی قابل توضیح به عنوان استراتژی‌های امیدوارکننده برای نسل بعدی سیستم‌های مراقبت‌های بهداشتی هوشمند برجسته شده‌اند. این بررسی با هدف ارائه درک ساختاریافته از معماری‌های یادگیری عمیق معاصر و راهنمایی عملی برای انتخاب مدل‌های مناسب برای کاربردهای مختلف تصویربرداری پزشکی به محققان و پزشکان ارائه شده است

کلمات کلیدی : تحلیل تصاویر پزشکی یادگیری عمیق u net ویژن ترنسفورمر (vision transformer) شبکه‌های ترکیبی هوش مصنوعی