بهبود بازیابی تصاویر پزشکی از طریق یادگیری عمیق کد درهم سازی با استفاده از ارتقای نرمال سازی

چکیده مقاله

تکنیکهای بازیابی تصاویر توسط یادگیری عمیق در جهت تفسیر دادههای پزشکی مربوط به تومور نتایج بسیار امید بخشی از خود ارایه نموده اند و در تشخیص و ارائه راه درمانی مناسب از اهمیت زیادی برخوردار هستند با این حال باز هم چالشهایی در این زمینه وجود دارد که می تواند گریبان گیر رادیولوژیستها در غربالگری بالینی شود و تا حد زیادی بر عملکرد بازیابی نمونههای پزشکی تاثیر گذارد در این مقاله روشی بهبود یافته با نام Net بهبود یافته در جهت جلوگیری از این گونه ابهامات در بازیابی نمونههای پزشکی ارائه شده است، شبکه Y Net از مجموعه ای از لایههای پیچشی تشکیل شده که به طور موازی برای استخراج ویژگیهای پیچیده تصاویر پزشکی عمل میکنند ما در این تحقیق یک مدل جدید از Y Net با تمرکز بر بهبود دقت بازیابی تصاویر پزشکی پیشنهاد میدهیم که نرمال سازی وزنی به جای روشهای سنتی به کار گرفته شده است آزمایشها برروی مجموعه دادههای JSRT نشان دهنده آنست که Y Net بهبود یافته میتواند نسبت به Y Net پایه ابهام مناطق غیر طبیعی پاتولوژیک را کاهش دهد عملکرد بازیابی روش پیشنهادی با سایر الگوریتمهای رقیب براساس ۵@map@۱۰ ،map ۲۰@map و ۵۰@map اندازه گیری شده است که نشان دهند افزایشهایی ،۲۵ ۱۱ ۹ ۱۰ ۷۸ و ۱۲ ۱۱ نسبت به روش قبلی است

کلیدواژه‌ها

نویسندگان

رضا شمسایی

عضو هیئت علمی دانشکده مهندسی کامپیوتر و فناوری اطالعات دانشگاه صنعتی سجاد مشهد

پروانه خدایی

دانشجوی کارشناسی ارشد مهندسی کامپیوتر هوش مصنوعی و رباتیکز دانشگاه صنعتی سجاد مشهد

نسیم نظام دوست

دانشجوی کارشناسی ارشد مهندسی کامپیوتر هوش مصنوعی و رباتیکز، دانشگاه صنعتی سجاد، مشهد

�مسایی، رضا و خدایی، پروانه و نظام دوست، نسیم،1403،بهبود بازیابی تصاویر پزشکی از طریق یادگیری عمیق کد درهم سازی با استفاده از ارتقای نرمال سازی،ششمین کنفرانس ملی دستاوردهای نوین در مهندسی برق، کامپیوتر و صنایع،اسفراین

ارائه‌شده در

مجموعه مقالات ششمین کنفرانس ملی دستاوردهای نوین در مهندسی برق، کامپیوتر و صنایع15 آبان 1403 · اسفراین