استغلال أحجام اللوحات والدقة لتعلم العميق متعدد المقياس في تصنيف صور الأشعة الثديية

أعاد التقدم الأخير في التعلم العميق (DL) إحياء الاهتمام بأنظمة الكشف أو التشخيص المدعومة بالذكاء الاصطناعي القائمة على التعلم العميق (CAD) لفحص سرطان الثدي. تُعد النماذج القائمة على القطع (Patch-based) إحدى التقنيات الرائدة في مجال التصنيف ثنائي الأبعاد للصور الشعاعية للثدي، ولكنها محدودة بشكل جوهري بحجم القطعة المختارة، نظرًا لعدم وجود حجم قطعة موحد يناسب جميع أحجام الآفات. بالإضافة إلى ذلك، لا يزال تأثير دقة الصورة المدخلة على الأداء غير مفهوم بالكامل. في هذا العمل، ندرس تأثير حجم القطعة ودقة الصورة على أداء المصنف للصور الشعاعية ثنائية الأبعاد. وللاستفادة من المزايا المتنوعة لحجوم القطع المختلفة ودقة الصور المختلفة، نقترح مصنفًا متعدد أحجام القطع ومصنفًا متعدد الدقة. تقوم هذه المعمارية الجديدة بتصنيف متعدد المقياس من خلال دمج أحجام قطع مختلفة ودقة صور مدخلة مختلفة. وحققت هذه المعمارية زيادة بنسبة 3% في معامل التمييز (AUC) على مجموعة البيانات العامة CBIS-DDSM، وبنسبة 5% على مجموعة بيانات داخلية. مقارنةً بمصنف أساسي يعتمد على حجم قطعة واحد ودقة صورة واحدة، يحقق مصنفنا متعدد المقياس معامل تمييز (AUC) بلغ 0.809 و0.722 على كل من المجموعتين على التوالي.