ارتقاء بازیابی تصاویر پزشکی از طریق یادگیری عمیق کد درهم سازی با استفاده از بهبود روش طبقه بندی و داده ها

Abstract

 استفاده از یادگیری عمیق برای تکنیک های بازیابی تصاویر و تفسیرداده های پزشکی مربوط به تومور نتایج امید بخشی از خود ارایه نموده اند و در تشخیص و ارائه راه درمانی مناسب؛ از اهمیت زیادی برخوردار هستند. با این حال چالش های زیادی برای رادیولوژیست ها در غربالگری بالینی و تشخیص وجود دارد که بر عملکرد بازیابی تصاویر پزشکی تاثیر زیادی دارد. دراین مقاله روشی بهبود یافته با نام Y- Net  بهبود یافته، در جهت جلوگیری از این گونه چالش ها و ابهامات در بازیابی نمونه ‌های پزشکی ارائه شده است، شبکه Y-Net از مجموعه‌ای از لایه ‌های پیچشی تشکیل شده که به طور موازی برای استخراج ویژگی‌ های پیچیده تصاویر پزشکی عمل می‌کنند.  ما در Y- Net ارتقاء یافته در بخش طبقه بندی،  از یک طبقه بند جدید برای کلاسه بندی داده ها استفاده کرده ایم و روش طبقه بند با عنوان Attention classifier  جایگزین روش قبلی کرده ایم.آزمایش‌ها برروی مجموعه داده‌های‌ (JSRT) نشان دهنده آنست که Y-Net ارتقاء یافته، می‌تواند نسبت به Y-Net پایه به دلیل تمرکز بیشتر و بهتر بر روی داده ها در مرجله کلاسه بندی، ابهام مناطق غیرطبیعی پاتولوژیک را کاهش دهد. عملکرد بازیابی روش پیشنهادی با سایر الگوریتم‌های رقیب، براساس map@5، map@10، map@20، و map@50  اندازه گیری شده است که نشان دهند افزایشهایی52%، 45%، 34%، و 25% نسبت به روش قبلی است.