التعلم فوق المركب متعدد الآراء لفحص سرطان الثدي

تقليديًا، تُجري طرق التعلم العميق لتصنيف سرطان الثدي تحليلًا من وجهة نظر واحدة. ومع ذلك، يحلل الأطباء الشعاعيون جميع الأربعة وجهات النظر التي تتكون منها فحص الثدي السيني (الماموغرافي)، وذلك بسبب الارتباطات الموجودة في هذه الوجهات التي تحتوي على معلومات حاسمة لتحديد الأورام. في ضوء هذا، بدأت بعض الدراسات في اقتراح طرق متعددة الوجهات. ومع ذلك، في مثل هذه المعماريات الحالية، يتم معالجة وجهات النظر السينية للثدي كصور مستقلة بواسطة فروع تجميعية منفصلة، مما يؤدي إلى فقدان الارتباطات بينها. لتجاوز هذه القيود، نقترح في هذا البحث نهجًا منهجيًا لتصنيف سرطان الثدي متعدد الوجهات يستند إلى شبكات عصبية فوق معقدة معلمة. بفضل خصائص الجبر الفوق معقد، تكون شبكاتنا قادرة على نمذجة واستغلال الارتباطات القائمة بين مختلف وجهات النظر التي تتكون منها صورة الثدي السينية، وبالتالي تقليد عملية القراءة التي يقوم بها الأطباء. يحدث هذا لأن شبكات الفوق المعقد تلتقط الخصائص العالمية كما هو الحال في النماذج العصبية التقليدية وكذلك العلاقات المحلية، أي ارتباطات بين وجهات النظر، والتي لا تستطيع النماذج ذات القيم الحقيقية نمذجتها. نحدد معماريات مصممة لمعالجة فحوصات ثنائية الوجهة، وهي PHResNets، وفحوصات رباعية الوجهة، وهي PHYSEnet و PHYBOnet. من خلال تقييم تجريبي شامل أجري باستخدام بيانات متوفرة للجمهور، نثبت أن النماذج المقترحة لدينا تتفوق بشكل واضح على النماذج ذات القيم الحقيقية والطرق الرائدة الأخرى، مما يؤكد أن تصنيف سرطان الثدي يستفيد من المعماريات المتعددة الوجهات المقترحة. كما نقيم قابلية تعميم الطريقة خارج نطاق تحليل الصور السينية للثدي بأخذ مقاييس مختلفة بعين الاعتبار بالإضافة إلى مهمة دقيقة مثل التجزئة. الكود الكامل والنماذج المدربة مسبقًا للقدرة على إعادة إنتاج تجاربنا متاح بحرية على الرابط https://github.com/ispamm/PHBreast.