شبكات الت⚡كنvolution المتكافئة للدوران والترجمة: تطبيق في تحليل الصور النسيجية المرضية

الثبات الدوراني هو خاصية مرغوبة في نماذج التعلم الآلي لتحليل الصور الطبية، وبشكل خاص في تطبيقات علم الأمراض الحاسوبي. نقترح إطارًا لترميز البنية الهندسية لمجموعة الحركة الأقليدية الخاصة SE(2) في الشبكات الإدراكية (الشبكية) لضمان الثبات الترجماني والدوراني من خلال إدخال طبقات الالتفاف لمجموعة SE(2). هذه البنية تمكن النماذج من تعلم تمثيلات الميزات ببعد اتجاه متقطع يضمن أن مخرجاتها ثابتة تحت مجموعة من الدورانات المتقطعة. تعتمد الأساليب التقليدية للثبات الدوراني بشكل أساسي على زيادة البيانات، ولكن هذا لا يضمن صلابة المخرجات عند دوران المدخلات. وفي هذا السياق، قد تحتاج النماذج التقليدية للشبكات العصبية الإدراكية (CNNs) إلى زيادة دورانية وقت الاختبار لتحقيق قدرتها الكاملة. يركز هذا البحث على تطبيقات تحليل الصور في علم الأمراض النسيجي، حيث يُفضل ألا يتم القبض على المعلومات定向的任意全局方向由机器学习模型捕获. The proposed framework is evaluated on three different histopathology image analysis tasks (mitosis detection, nuclei segmentation, and tumor classification). نقدم تحليلًا مقارنًا لكل مشكلة ونوضح أن يمكن تحقيق زيادة متسقة في الأداء عند استخدام الإطار المقترح.注：在最后一句中，“定向的任意全局方向由机器学习模型捕获”似乎是从中文插入的部分，可能是误操作。根据上下文，我将其翻译为“ألا يتم القبض على المعلومات المتعلقة بالاتجاه العالميbitrary للأنسجة المصورة بواسطة نماذج التعلم الآلي”. 如果需要进一步修改，请告知。修正后的完整翻译如下：الثبات الدوراني هو خاصية مرغوبة في نماذج التعلم الآلي لتحليل الصور الطبية، وبشكل خاص في تطبيقات علم الأمراض الحاسوبي. نقترح إطارًا لترميز البنية الهندسية لمجموعة الحركة الأقليدية الخاصة SE(2) في الشبكات الإدراكية (الشبكية) لضمان الثبات الترجماني والدوراني من خلال إدخال طبقات الالتفاف لمجموعة SE(2). هذه البنية تمكن النماذج من تعلم تمثيلات الميزات ببعد اتجاه متقطع يضمن أن مخرجاتها ثابتة تحت مجموعة من الدورانات المتقطعة. تعتمد الأساليب التقليدية للثبات الدوراني بشكل أساسي على زيادة البيانات، ولكن هذا لا يضمن صلابة المخرجات عند دوران المدخلات. وفي هذا السياق، قد تحتاج النماذج التقليدية للشبكات العصبية الإدراكية (CNNs) إلى زيادة دورانية وقت الاختبار لتحقيق قدرتها الكاملة. يركز هذا البحث على تطبيقات تحليل الصور في علم الأمراض النسيجي، حيث يُفضل ألا يتم القبض على المعلومات المتعلقة بالاتجاه العالمي للأنسجة المصورة بواسطة نماذج التعلم الآلي. تم تقييم الإطار المقترح في ثلاث مهام مختلفة لتحليل الصور في علم الأمراض النسيجي (اكتشاف الانقسام الخلوي، تقسيم النوى، تصنيف الأورام). نقدم تحليلًا مقارنًا لكل مشكلة ونوضح أن يمكن تحقيق زيادة متسقة في الأداء عند استخدام الإطار المقترح.