تحليل الصور الطبية المستقل عن التكبير: مقارنة بين شبكات الالتفاف، ومتغيرات الرؤية، وخواضبات الرموز

تُستخدم شبكات العصبونات المتكررة (CNNs) على نطاق واسع في تحليل الصور الطبية، ولكن أداؤها ينخفض عندما تختلف مقياس الصور المستخدمة في الاختبار عن تلك المستخدمة في التدريب. عدم قدرة شبكات العصبونات المتكررة على التعميم عبر مقاييس مختلفة يمكن أن يؤدي إلى أداء غير مثالي على المجموعات الخارجية من البيانات. تهدف هذه الدراسة إلى تقييم متانة العديد من هياكل التعلم العميق في تحليل صور الأنسجة المرضية للسرطان الثديي بمقاييس مختلفة أثناء مراحل التدريب والاختبار. هنا نستكشف ونقارن أداء هياكل متعددة للتعلم العميق، بما في ذلك ResNet وMobileNet القائمة على شبكات العصبونات المتكررة، وVision Transformers وSwin Transformers القائمة على الذكاء الاصطناعي الذاتي، بالإضافة إلى نماذج خلط الرموز مثل FNet وConvMixer وMLP-Mixer وWaveMix. تم إجراء التجارب باستخدام مجموعة بيانات BreakHis، التي تحتوي على صور أنسجة مرضية للسرطان الثديي بمستويات مقياس مختلفة. أظهرنا أن أداء WaveMix ثابت وغير متغير بالنسبة لمقاييس بيانات التدريب والاختبار ويمكنه توفير دقة تصنيف مستقرة وجيدة. تعد هذه التقييمات حاسمة في تحديد هياكل التعلم العميق التي يمكنها التعامل بشكل متين مع التغييرات في مقاييس المقياس، مما يضمن عدم اضطراب نتائج الاستدلال بسبب التغييرات في المقاييس عبر الهياكل التشريحية.