شبكة عصبية متكررة باستدلال تبادلي قائمة على U-Net (R2U-Net) لتقسيم الصور الطبية

الطرق المعتمدة على التعلم العميق (DL) للتقسيم الدلالي قد قدمت أداءً رائدًا في السنوات الأخيرة. وبشكل أكثر تحديدًا، تم تطبيق هذه التقنيات بنجاح في مهام تصنيف الصور الطبية، والتقسيم، والكشف. أصبحت تقنية U-Net واحدة من الأكثر شعبية لهذه التطبيقات. في هذا البحث، نقترح شبكة عصبية متكررة وتحتية (RCNN) مستندة إلى U-Net وكذلك شبكة عصبية متكررة ومتبقية وتحتية (RRCNN) مستندة إلى نماذج U-Net، والتي تُسمى RU-Net و R2U-Net على التوالي. تستفيد النماذج المقترحة من قوة U-Net، وشبكة البقايا (Residual Network)، بالإضافة إلى RCNN. هناك عدة مزايا لهذه الأطر المقترحة في مهام التقسيم. أولاً، يساعد الوحدة المتبقية عند تدريب البنية العميقة. ثانيًا، تراكم الميزات مع طبقات التكرار المتبقية يضمن تمثيلًا أفضل للميزات في مهام التقسيم. ثالثًا، يتيح لنا تصميم بنية U-Net أفضل مع نفس عدد معلمات الشبكة وأداء أفضل لتقسيم الصور الطبية. تم اختبار النماذج المقترحة على ثلاثة مجموعات بيانات مرجعية مثل تقسيم الأوعية الدموية في صور الشبكية، وتقسيم سرطان الجلد، وتقسيم الآفات الرئوية. تظهر النتائج التجريبية أداءً فائقًا في مهام التقسيم مقارنة بالنماذج المكافئة بما فيها U-Net وشبكة البقايا U-Net (ResU-Net).