بهبود قطعه بندی تصاویر پزشکی با استفاده از یادگیری ماشین: نقش فشرده سازی ویژگی ها در شبکه های عصبی کانولوشنی و یادگیری فدرال

چکیده مقاله

در سالهای اخیر، شبکه های عصبی کانولوشنی مبتنی بر یادگیری عمیق، به ویژه در زمینه قطعه بندی تصاویر پزشکی، به دستاوردهای قابل توجهی دست یافته اند با این حال، چالش هایی نظیر طراحی یک نواخت لایه ها، استفاده ناکافی از اطلاعات چندمقیاسی و افزایش پیچیدگی مدل ها به دلیل تعداد زیاد پارامترها، عملکرد این روش ها را در سناریوهای پیچیده محدود کرده است علاوه بر این، امنیت داده ها و حفظ حریم خصوصی از مسائل کلیدی در پردازش داده های پزشکی به شمار می روند در این مقاله، یک مدل کانولوشنی رمزگذار رمزگشا بهبودیافته معرفی شده است که از استراتژی های فشرده سازی ویژگی ها و کاهش تعداد پارامترها بهره می برد این مدل با استفاده از مکانیزم های حفاظت از ویژگی های اولیه و بلوک های تقسیم توجه فشرده، توانایی استخراج اطلاعات چندسطحی را بهبود بخشیده و به عنوان مدلی بهینه برای بهره گیری از ساختار یادگیری فدرال، امنیت و کارایی بیشتری را فراهم می کند ارزیابی مدل پیشنهادی بر روی مجموعه داده ClinicDB CVC نشان می دهد که این روش، مدل بهینه را با بهبود معیارهای میانگین تقاطع بر روی اتحاد و ضریب دایس، نسبت به سایر روش های پیش رفته ارائه می دهد

کلیدواژه‌ها

نویسندگان

مسلم کاویانی

دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد سنندج، ایران

امکلثوم شهریاری

دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد سنندج، ایران

کاویانی، مسلم و شهریاری، امکلثوم،1403،بهبود قطعه بندی تصاویر پزشکی با استفاده از یادگیری ماشین: نقش فشرده سازی ویژگی ها در شبکه های عصبی کانولوشنی و یادگیری فدرال،پنجمین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق ، کامپیوتر ، مکانیک و مخابرات،مشهد

ارائه‌شده در

مجموعه مقالات پنجمین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق ، کامپیوتر ، مکانیک و مخابرات17 اسفند 1403 · مشهد