دانلود پاورپوینت مقاله روش یادگیری خود نظارتی در آنالیز تصاویر پزشکی

شبکه‌ های عصبی کانولوشن عمیق (CNN) در بینایی کامپیوتری به موفقیت‌ های زیادی، از جمله طبقه‌ بندی تصویر، تشخیص اشیا و تقسیم بندی معنایی دست یافته ‌اند. در تجزیه و تحلیل تصویر پزشکی، CNN ها نیز هنگام اعمال در وظایف چالش برانگیزی چون طبقه بندی بیماری ها و بخش بندی اندام ها، بهبود قابل توجهی نشان داده اند. حجم زیادی از داده های آموزشی که دارای برچسب های دستی هستند، در بسیاری از این موفقیت ها سرنوشت ساز بوده اند. در تصاویر طبیعی، می توان برای به دست آوردن برچسب ‌های حقیقت مبنای تصاویر از جمع سپاری استفاده کرد. این امر مبتنی بر این واقعیت است که حاشیه نویسی تصاویر طبیعی فقط به دانش ساده انسانی نیاز دارد، به عنوان مثال بیشتر انسان ها می توانند خودرو را در تصاویر طبیعی تشخیص دهند. با این حال، جمع ‌سپاری در تصویربرداری پزشکی کاربرد محدودی دارد، زیرا حاشیه ‌نویسی معمولاً مستلزم دانش تخصصی است. این امر بدان معناست که معمولاً دسترسی به تعداد زیادی تصاویر پزشکی بدون برچسب به جای تعداد زیادی تصاویر حاشیه نویسی، کار آسان تری تلقی می شود. در این نمونه پاورپوینت آماده به بررسی کاربرد روش یادگیری خود نظارتی در آنالیز تصاویر پزشکی از طریق بازیابی و ترمیم زمینه تصویر پرداخته شده است.

این پاورپوینت در 17 اسلاید تهیه شده و در ادامه نیز تصویر اسلاید شماره 2 مربوط به آن قرار داده شده است:

آموزش CNN ها تنها با استفاده از تعداد کمی از تصاویر برچسب دار، نمی تواند به نتایج رضایت بخشی دست یابد، زیرا آنها از تعداد زیادی از تصاویر بدون برچسب که ممکن است بطور بالقوه در دسترس باشد استفاده نمی کنند. آموزش خودرمزگذار برای مقداردهی اولیه CNN اختصاصی، ساده ترین روش برای استفاده از داده های بدون برچسب است. با این حال، تابع زیان مورد استفاده در خودرمزگذار، زیان ترمیم L2 را نشان می دهد و خودرمزگذار را به سمت یادگیری ویژگی هایی سوق می دهد و این امر در مهارت های متمایز سازی ارزش محدودی دارد. مدل های از پیش آموزش دیده حوزه تصویر طبیعی، در حوزه تصویربرداری پزشکی مفید واقع نمی شوند، زیرا توزیع شدت تصاویر طبیعی با تصاویر پزشکی متفاوت است.

در ادامه، تصویر اسلاید شماره 10 این پاورپوینت قرار داده شده است:

یادگیری خود نظارتی، نوعی استراتژی یادگیری ماشین است که در سال های اخیر محبوبیت بیشتری پیدا کرده است. هدف آن یادگیری ویژگی های نظارت شده است که در آن وظایف نظارت از خود داده ها تولید می شود. در این مورد، تعداد بسیار زیادی از نمونه های آموزشی با نظارت، در دسترس قرار دارند. پیش‌ آموزش CNN مبتنی بر نظارت شخصی، بر اساس داده ‌های با برچسب ‌های دستی محدود، در مقدار دهی اولیه CNN بعدی، منجر به وزن ‌های مفید می‌ شود. بنابراین، در مواردی که فقط داده های برچسب دار محدودی در دسترس قرار دارند، یادگیری خود نظارتی گزینه خوبی برای کاوش تصاویر بدون برچسب و بهبود عملکرد CNN به شمار می آیند.