سومین کنفرانس بین المللی مهندسی و علوم کامپیوتر و اولین کنفرانس ملی سامانه های هوشمند، کلان داده و رایانش پیشرفته

رفتن به صفحه اصلی

ارائه مجازی مقاله

کد مقاله CCES-1138

عنوان مروری جامع بر روش‌های یادگیری عمیق در تحلیل تصاویر پزشکی

نویسندگان آرمیتا بهرامی - فرزانه کاویانی باغبادرانی

چکیده تصویربرداری پزشکی به‌عنوان یکی از ارکان اصلی تشخیص، درمان و پایش بیماری‌ها، نقش مهمی در نظام سلامت ایفا می‌کند. افزایش حجم داده‌های تصویری و پیچیدگی الگوهای پاتولوژیک، تحلیل دستی تصاویر را با چالش‌هایی نظیر زمان‌بر بودن، خطای انسانی و وابستگی به تجربه متخصصان مواجه ساخته است. در این راستا، یادگیری عمیق به‌عنوان رویکردی نوین و داده‌محور، تحولی اساسی در تحلیل تصاویر پزشکی ایجاد کرده است.این مقاله مروری، به بررسی مفاهیم پایه تحلیل تصاویر پزشکی شامل بخش‌بندی، طبقه‌بندی و تشخیص شیء پرداخته و سپس مهم‌ترین معماری‌های یادگیری عمیق مورد استفاده در این حوزه، از جمله شبکه‌های عصبی کانولوشنی (CNN)، شبکه‌های عصبی بازگشتی (RNN)، شبکه‌های حافظه کوتاه‌مدت طولانی (LSTM)، شبکه‌های مولد تخاصمی (GAN) و روش‌های ترکیبی را تحلیل می‌کند. مطالعات مرورشده نشان می‌دهند که این معماری‌ها با یادگیری خودکار ویژگی‌ها، دقت و کارایی سیستم‌های تشخیصی را به‌طور قابل‌توجهی بهبود داده‌اند.با وجود این پیشرفت‌ها، چالش‌هایی نظیر کمبود داده‌های برچسب‌خورده، تعمیم‌پذیری محدود، تفسیرپذیری پایین و هزینه‌های محاسباتی بالا همچنان پابرجاست. در نهایت، مسیرهای پژوهشی آینده بر توسعه مدل‌های قابل‌تفسیر، سبک‌وزن و رویکردهای ترکیبی و چندوجهی برای کاربرد ایمن و مؤثر در محیط‌های بالینی متمرکز خواهد بود.

فایل ها

فایل ارایه مقالات پوستری

محتوای ارائه مجازی مقاله

نظرات