دانلود ترجمه مقاله یادگیری خود نظارتی برای تحلیل تصاویر پزشکی با ترمیم زمینه تصویر

1. مقدمه 2. مقالات مرتبط 3. خود نظارتی بر اساس ترمیم زمینه 4. آزمایش ها و نتایج 5. بحث و بررسی و نتیجه گیری

چکیده – یادگیری ماشین، به ویژه یادگیری عمیق، تجزیه و تحلیل تصویر پزشکی را در طی سال‌ های گذشته تقویت کرده است. آموزش یک مدل خوب مبتنی بر یادگیری عمیق، مستلزم مقدار زیادی داده برچسب گذاری شده است. با این حال، اغلب به ‌دست آوردن تعداد کافی از تصاویر برچسب گذاری شده برای آموزش، امری دشوار تلقی می گردد. در بسیاری از سناریوها، مجموعه داده بیشتر از تصاویر برچسب دار، نسبت به تصاویر بدون برچسب تشکیل شده است. بنابراین، افزایش عملکرد مدل ‌های یادگیری ماشین با استفاده از داده ‌های بدون برچسب و همچنین برچسب ‌گذاری شده، یک مشکل مهم اما چالش برانگیز است. یادگیری خود نظارتی یک راه حل ممکن برای این مشکل ارائه می دهد. با این حال، راهبردهای یادگیری خود نظارتی موجود که برای تصاویر پزشکی قابل اعمال هستند، نمی توانند بهبود قابل توجهی در عملکرد ایجاد نمایند. بنابراین، آنها اغلب تنها منجر به پیشرفت های اندک می شوند. در این مقاله، به منظور بهره ‌برداری بهتر از تصاویر بدون برچسب، یک استراتژی یادگیری خود نظارتی جدید مبتنی بر ترمیم زمینه را پیشنهاد می‌ کنیم. استراتژی ترمیم زمینه دارای سه ویژگی مهم است: 1) ویژگی های تصویر معنایی را یاد می گیرد؛ 2) این ویژگی های تصویر برای تجزیه و تحلیل انواع مختلف تصویر مفید هستند؛ و 3) اجرای آن ساده است. ما استراتژی ترمیم زمینه را با سه مسئله رایج در تصویربرداری پزشکی تأیید می ‌کنیم: طبقه ‌بندی، محلی ‌سازی و بخش بندی. برای انجام طبقه بندی، آن را در صفحه اسکن تصاویر دو بعدی سونوگرافی جنین اعمال و آزمایش می کنیم؛ برای محلی سازی، اندام های شکمی را در تصاویرCT اعمال و آزمایش می کنیم و برای تقسیم تومورهای مغزی آن را در تصاویر MR چند وجهی اعمال و آزمایش می کنیم. در هر سه مورد، یادگیری خود نظارتی مبتنی بر ترمیم زمینه، ویژگی ‌های معنایی مفیدی را یاد می‌ گیرد و منجر به بهبود مدل ‌های یادگیری ماشین وظایف فوق می ‌شود.

Machine learning, particularly deep learning has boosted medical image analysis over the past years. Training a good model based on deep learning requires large amount of labelled data. However, it is often difficult to obtain a sufficient number of labelled images for training. In many scenarios the dataset in question consists of more unlabelled images than labelled ones. Therefore, boosting the performance of machine learning models by using unlabelled as well as labelled data is an important but challenging problem. Self-supervised learning presents one possible solution to this problem. However, existing self-supervised learning strategies applicable to medical images cannot result in significant performance improvement. Therefore, they often lead to only marginal improvements. In this paper, we propose a novel self-supervised learning strategy based on context restoration in order to better exploit unlabelled images. The context restoration strategy has three major features: 1) it learns semantic image features; 2) these image features are useful for different types of subsequent image analysis tasks; and 3) its implementation is simple. We validate the context restoration strategy in three common problems in medical imaging: classification, localization, and segmentation. For classification, we apply and test it to scan plane detection in fetal 2D ultrasound images; to localise abdominal organs in CT images; and to segment brain tumours in multi-modal MR images. In all three cases, self-supervised learning based on context restoration learns useful semantic features and lead to improved machine learning models for the above tasks.

ترجمه این مقاله در 33 صفحه آماده شده و در ادامه نیز صفحه 29 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.