HyperAIHyperAI
منذ 17 أيام

Hi-gMISnet: تجزئة صور طبية عامة باستخدام دمج متعدد الطبقات المستند إلى تحويل الموجات المتعددة المقاييس (DWT) والانتباه بنمطين في pGAN عالي الدقة

{Md Kamrul Hasan, Tushar Talukder Showrav}
الملخص

الهدف: يُعد التجزئة التلقائية للصور الطبية أمرًا بالغ الأهمية لعزل مناطق الأنسجة المستهدفة بدقة في الصورة عن الأنسجة الخلفية، مما يُسهل التشخيص الدقيق والإجراءات الطبية. وعلى الرغم من التوسع الكبير في مجموعات البيانات السريرية المتاحة للعامة، الذي أدى إلى تطوير أساليب تجزئة الصور الطبية القائمة على التعلم العميق، إلا أن تطوير منهج عام ودقيق ومقاوم وموثوق عبر مختلف أنماط التصوير ما زال مُستحيلًا. النهج: تُقدّم هذه الورقة منهجًا جديدًا للتعلم العميق المُعمم القائم على شبكة التوليد التنافسي متوازية عالية الدقة (pGAN) لتجزئة الصور الطبية تلقائيًا من أنماط تصوير متنوعة. ويتميز هذا المنهج بأداء أفضل وقابلية تعميم أعلى من خلال دمج مكونات جديدة مثل التعلم الناقل الهجين الجزئي، ودمج الميزات متعددة الطبقات ومتعددة الدقة القائم على تحويل الموجة المتقطعة (DWT) في الجزء المشفر، وشريحة انتباه ثنائية النمط في الجزء فك التشفير للشبكة U-Net ذات الدقة المتعددة القائمة على GAN. وبالإضافة إلى ذلك، يُعزز دالة خسارة التدريب التنافسي متعددة الأهداف، التي تشمل خسارة معكوسة فريدة تُفرض التعلم التعاوني في pGANs، من موثوقية ودقة خريطة التجزئة. النتائج الرئيسية: أظهرت التقييمات التجريبية التي أُجريت على تسع مجموعات بيانات متاحة علنًا ومتنوعة لتجزئة الصور الطبية، بما في ذلك PhysioNet ICH، BUSI، CVC-ClinicDB، MoNuSeg، GLAS، ISIC-2018، DRIVE، Montgomery، وPROMISE12، أداءً متفوقًا للمنهج المقترح. وحققت الطريقة المقترحة متوسطات مقياس F1 قدرها 79.53% و88.68% و82.50% و93.25% و90.40% و94.19% و81.65% و98.48% و90.79% على التوالي في هذه المجموعات، متفوقةً على أحدث الطرق المُستخدمة في التجزئة. علاوةً على ذلك، تُظهر الطريقة المقترحة قدرات تجزئة متعددة المجالات الموثوقة، مع أداء متسق وموثوق. كما يُشير تقييم كفاءة النموذج في التعرف بدقة على التفاصيل الصغيرة إلى أن الشبكة المُعممة عالية الدقة لتجزئة الصور الطبية (Hi-gMISnet) أكثر دقة في التجزئة حتى عندما تكون المنطقة المستهدفة صغيرة جدًا. الأهمية: تُقدّم الطريقة المقترحة أداءً موثوقًا ودقيقًا في تجزئة الصور الطبية، وبالتالي تمتلك القدرة على الاستخدام في البيئة السريرية لتشخيص المرضى.