چکیده مقاله
توسعه مدل های یادگیری عمیق برای کاربردهای بالینی و تحقیقاتی در حوزه تصویربرداری پزشکی یکی از مهمترین اولویت های پژوهشی اخیر است با این حال این حوزه به طور سنتی با دو چالش اساسی مواجه است که مانع پذیرش گسترده و کارآمدی تکنولوژی های نوین می شود: کمبود داده و نیاز به منابع محاسباتی بالا محدودیت شدید داده های با برچسب گذاری دقیق در محیط های پزشکی همراه با استفاده از مدل هایی که پارامترهای بسیار زیادی دارند، مشکلات جدی در زمینه تعمیم پذیری و همگرایی مدل ها ایجاد می کند این وضعیت موجب می شود مدل ها به جای یادگیری ویژگی های قابل انتقال، صرفا داده های آموزشی را حفظ کنند علاوه بر این، آموزش این مدل های بزرگ نیازمند دسترسی به منابع محاسباتی قدرتمند و زمان یادگیری بسیار طولانی است که دسترسی محققان و مراکز درمانی با بودجه یا زیرساخت محدود به تکنولوژی های نوین یادگیری عمیق را به تعویق می اندازد در نتیجه نیاز مبرمی به توسعه معماری های کارآمد وجود دارد که بتوانند عملکرد بالا را با حداقل منابع و در شرایط داده محدود حفظ کنند هدف روش پیشنهادی دستیابی به تعادل بین کاهش پارامترها و حفظ دقت و تاثیر فشرده سازی مدل بر کارایی در محیط های با داده محدود می باشد هدف اصلی این پژوهش دستیابی به دقتی رقابتی بدون نیاز به مدل های محاسباتی سنگین است این پیشرفت قابل توجه در کنار کاهش محسوس زمان اجرا، کارایی و ارزش عملی روش پیشنهادی را تایید می کند
کلیدواژهها
نویسندگان
فاطمه مولائی جهرمی
گروه مهندسی کامپیوتر واحد شیراز دانشگاه آزاد اسلامی، شیراز، ایران
محمد علی تبرزد
گروه مهندسی کامپیوتر واحد شیراز دانشگاه آزاد اسلامی، شیراز، ایران
شیوه ارجاع
مولائی جهرمی، فاطمه و تبرزد، محمد علی،1404،بهبود بخش بندی تومور مغزی در تصاویر MRI سه بعدی توسط یک مدل مبتنی بر ترنسفورمر،دومین کنفرانس بین المللی دو سالانه پیشرفت ها در هوش مصنوعی و علوم داده،بوشهر
ارائهشده در
همایش «بسیج، پیشرفت و امنیت پایدار در منطقه جنوب شرق کشور»7 بهمن 1404 · تهران