تجاوز التحسين الدقيق: تصنيف الصور الثديية ذات الدقة العالية باستخدام التحويلات الحافظة للوظيفة

تعد مهمة تصنيف الصور الشعاعية للثدي (الماموغرام) تحديًا كبيرًا بسبب صغر حجم الورم في الصورة ذات الدقة العالية. تعتمد الأساليب الحالية الرائدة في تصنيف الصور الطبية على استخدام الطريقة المتبعة عمومًا لشبكات الCONVNETS - التحسين الدقيق (fine-tuning). ومع ذلك، هناك فروق جوهرية بين الصور الطبيعية والصور الطبية، والتي تشير الأدلة الموجودة في الأدب العلمي إلى أنها تحد من زيادة الأداء الشامل عند تصميمها باستخدام الأساليب الخوارزمية. في هذا البحث، نقترح التخطي فوق التحسين الدقيق من خلال تقديم إطار عمل جديد يُسمى MorphHR، حيث نسلط الضوء على مخطط جديد للتعلم النقل (transfer learning). الفكرة وراء الإطار المقترح هي دمج التحويلات الحافظة للوظيفة، لأي نeurons تفعيل غير خطية مستمرة، لتنظيم الشبكة داخليًا بهدف تحسين تصنيف الصور الشعاعية للثدي. يقدم الحل المقترح ميزتين رئيسيتين على التقنيات الموجودة. أولاً، وعلى عكس التحسين الدقيق، يسمح النهج المقترح بتعديل ليس فقط الطبقة الأخيرة القليلة ولكن أيضًا العديد من أولى الطبقات في شبكة CONVNET عميقة. من خلال القيام بذلك، يمكننا تصميم الجزء الأمامي من الشبكة ليكون مناسبًا لتعلم خصائص خاصة بالمنطقة. ثانيًا، يكون النهج المقترح قابلًا للتدرج على الأجهزة. وبالتالي، يمكن تناسب الصور ذات الدقة العالية مع ذاكرة GPU القياسية. نوضح أن استخدام الصور ذات الدقة العالية يمنع فقدان المعلومات ذات الصلة. نثبت عبر التجارب العددية والبصرية أن النهج المقترح يؤدي إلى تحسن كبير في أداء التصنيف مقارنة بالتقنيات الرائدة حاليًا وأنه بالفعل يوازي خبراء الأشعة. بالإضافة إلى ذلك وبغرض التعميم، نظهر فعالية مخطط التعلم المقترح على مجموعة بيانات أخرى كبيرة وهي ChestX-ray14، مما يتفوق على التقنيات الرائدة حاليًا.请注意，为了保持专业性和准确性，我保留了部分英文术语如“ConvNets”、“MorphHR”、“GPU”和“ChestX-ray14”。这些术语在阿拉伯语的科技文献中通常以英文形式出现。