CE-Net: شبكة ترميز السياق لتقسيم الصور الطبية ثنائية الأبعاد

التفصيل الصوري الطبي هو خطوة مهمة في تحليل الصور الطبية. مع التطور السريع للشبكات العصبية المتكررة في معالجة الصور، تم استخدام التعلم العميق لتفصيل الصور الطبية، مثل تفصيل القرص البصري، كشف الأوعية الدموية، تفصيل الرئة، تفصيل الخلايا وغيرها. في السابق، تم اقتراح نماذج تعتمد على U-net. ومع ذلك，则会导致一些空间信息的丢失 (تؤدي العمليات المتتابعة للتجميع والتشويش المتدرج إلى فقدان بعض المعلومات المكانية). في هذا البحث، نقترح شبكة مُرمِّزة للسياق (CE-Net) لالتقاط المزيد من المعلومات ذات المستوى العالي وحفظ المعلومات المكانية لتفصيل الصور الطبية ثنائية الأبعاد. يحتوي CE-Net بشكل أساسي على ثلاثة مكونات رئيسية: وحدة مُرمِّز الميزات، مستخرج السياق، ووحدة فك رموز الميزات. نستخدم كتلة ResNet المدربة مسبقًا كمستخرج الميزات الثابت. يتكون وحدة مستخرج السياق من كتلة تشويش متراصة جديدة مقترحة (Dense Atrous Convolution DAC) وكتلة تجميع متعدد النواة بالباقي (Residual Multi-Kernel Pooling RMP). قدمنا الشبكة المقترحة CE-Net لمهام مختلفة لتفصيل الصور الطبية ثنائية الأبعاد. أظهرت النتائج الشاملة أن الطريقة المقترحة تتفوق على طريقة U-Net الأصلية وغيرها من الطرق الرائدة في مجال تقنيات التفاصيل للقرص البصري، كشف الأوعية الدموية، تفصيل الرئة، تفصيل حدود الخلايا وتفصيل طبقات التوموغرافيا البصرية للشبكية.请注意，"则会导致一些空间信息的丢失" 这句话在阿拉伯语中被翻译为 "تؤدي العمليات المتتابعة للتجميع والتشويش المتدرج إلى فقدان بعض المعلومات المكانية" 以保持句子结构的一致性和流畅度。