تقدم تحليل الصور الطبية ثلاثية الأبعاد باستخدام التدريب المشرف ثلاثي الأبعاد المستند إلى تحويل البعد المتغير

تواجه التطبيقات الطبية للتصوير ثلاثي الأبعاد صعوبات كبيرة في جمع البيانات وتوثيقها، مما يحد بشكل كبير من أحجام عينات مجموعات البيانات التدريبية. نتيجة لذلك، لا تزال بناء شبكات عصبية متعددة الأبعاد عالية الأداء من الصفر مهمة صعبة في غياب معلمات تدريب كافية. غالبًا ما اعتمدت الجهود السابقة في التدريب الثلاثي الأبعاد على نهج ذاتي الإشراف، والتي تستخدم إما التعلم التنبؤي أو التعلم المقارن على البيانات غير المعلمة لبناء تمثيلات ثابتة ثلاثية الأبعاد. ومع ذلك، بسبب عدم توفر معلومات الإشراف على نطاق واسع، فإن الحصول على تمثيلات ثابتة ومعبرة معانيًا من هذه الإطارات التعليمية يظل مشكلة.في هذا البحث، نعيد النظر في إطار تدريب شبكات ثلاثية الأبعاد بالإشراف الكامل والبسيط لإستغلال الإشراف المعجمي من مجموعات بيانات الصور الطبيعية ثنائية الأبعاد الكبيرة الحجم. باستخدام هندسة شبكة ثلاثية أبعاد مصممة بشكل جديد، يتم استخدام الصور الطبيعية المعادة الصياغة لحل مشكلة نقص البيانات وتطوير تمثيلات قوية ثلاثية الأبعاد. تظهر التجارب الشاملة التي أجريت على أربع مجموعات بيانات مرجعية أن النماذج المدربة مقترحة يمكنها تسريع التقارب بشكل فعال بينما تحسن الدقة أيضًا في مجموعة متنوعة من المهام الطبية ثلاثية الأبعاد مثل التصنيف والتقطيع والكشف. بالإضافة إلى ذلك، بالمقارنة مع التدريب من الصفر، يمكن أن توفر ما يصل إلى 60٪ من جهود الوثيقة.على مجموعة بيانات NIH DeepLesion (نيه ديبليزيون)، حققت أيضًا أداءً رائدًا في الكشف، حيث تتفوق على الطرق الذاتية الإشراف والكامل الإشراف السابقة للتدريب، وكذلك الأساليب التي تقوم بالتدريب من الصفر. لتسهيل التطوير المستقبلي للنماذج الطبية ثلاثية الأبعاد، فإن شفرتنا ومعلمات النموذج المدرب متاحة للجمهور عبر الرابط: https://github.com/urmagicsmine/CSPR.