التعلم المشترك للتمثيلات التلافيفية لضغط الصور الإشعاعية وتصنيف الأمراض الصدرية في المجال المضغوط

تُستخدم نماذج التعلم العميق التي تم تدريبها على الصور الطبيعية بشكل شائع في مهام التصنيف المختلفة في المجال الطبي. عادةً، يتم تقليل حجم الصور الطبية عالية الأبعاد باستخدام تقنيات الاستيفاء قبل إدخالها إلى نماذج التعلم العميق المتوافقة مع ImageNet، والتي تقبل فقط صورًا منخفضة الدقة بحجم 224 × 224 بكسل. قد يؤدي هذا الأسلوب الشائع إلى فقدان معلومات مهمة، مما يعوق دقة التصنيف، خاصة أن السمات المرضية المهمة في الصور الطبية تكون غالبًا صغيرة الحجم وحساسة جدًا للتغيرات. لمعالجة هذه المشكلة، نقدم منهجية تصنيف تعتمد على شبكة عصبية تلافيفية (CNN) تتعلم تقليل دقة الصورة باستخدام مُشفِّر تلقائي (autoencoder) في الوقت نفسه الذي تقوم فيه بالتصنيف باستخدام شبكة أخرى، مع تدريب كلا المهمتين معًا بشكل مشترك. يُوجِّه هذا الخوارزمية النموذج لاستخلاص تمثيلات أساسية من الصور عالية الدقة لغرض التصنيف، إلى جانب إعادة بناء الصورة. وقد استخدمنا مجموعة بيانات عامة من صور الأشعة الصدرية لتقييم هذا النهج، وتفوّقنا على أحدث التقنيات في بيانات الاختبار. بالإضافة إلى ذلك، قمنا بتجريب تأثير أساليب التكبير المختلفة في هذه المجموعة، وقمنا بتقديم قواعد مقارنة باستخدام بعض الشبكات العصبية التلافيفية الشهيرة التي تم تدريبها على ImageNet.