11568

تشخيص پوليپ در تصاوير كولونوسكوپي كولوركتال با استفاده از يادگيري عميق

1400

دكتر شهريار برادران شكوهي

سرطان كولوركتال نرخ بروز بالايي در سراسر جهان دارد، اما تشخيص زودهنگام آن به ميزان قابل توجهي ميزان بقا را افزايش مي‌دهد. كولونوسكوپي روش استاندارد طلايي براي تشخيص و حذف ضايعات كولوركتال با پتانسيل تبديل شدن به سرطان است و سيستم‌هاي تشخيص به كمك رايانه مي‌توانند به متخصصان گوارش كمك كنند تا ميزان تشخيص را افزايش دهند، همچنين يكي از شاخص‌هاي اصلي تشخيص كيفيت كولونوسكوپي و پيش‌بيني‌ براي پيشگيري از سرطان كولوركتال هستند. موفقيت اخير رويكردهاي يادگيري عميق در بينايي كامپيوتر بيانگر پيشرفت‌هاي قابل توجه آن است همچنين تعداد روش‌هاي پيشنهادي براي تشخيص، مكان‌يابي و قطعه‌بندي پوليپ را افزايش داده‌اند. در اين سمينار به ارائه‌ي بررسي سيستماتيك و تجزيه و تحليلي اين روش‌ها پرداخته شده است. همچنين مزايا و معايب براي روش‌هاي مختلف مورد استفاده بيان شده‌اند. مجموعه داده در دسترس عموم از تصاوير كولونوسكوپي، معيارهاي مورد استفاده براي گزارش، تجزيه و تحليل، چالش‌ها و توصيه‌ها شناسايي شده‌اند. شبكه‌هاي عصبي كانولوشنال بيشترين كاربرد را در تشخيص به همراه استراتژي‌هاي تقويت داده‌ها دارند كه عمدتاً مبتني بر تبديل تصوير و استفاده از پچ‌ها هستند. در رابطه با تشخيص و مكان‌يابي، بيشترين معيار مورد استفاده براي گزارش‌دهي فراخواني است. يكي از نگراني‌هاي اصلي در مقايسه عادلانه بين روش‌هاي ارائه شده تكرارپذيري آن‌ها است در نتيجه اين عوامل توسعه يك سيستم تشخيص پوليپ خودكار بسيار دقيق را از نظر حساسيت، دقت و ويژگي دشوار مي‌كند كه در اين سمينار به بررسي آن‌ها پرداخته شده است .

12/21/2022 12:00:00 AM

77258

1401/10/04

Detection of Colorectal Polyp in Colonoscopy Images Using Deep Learning

پوليپ , سرطان روده‌ي بزرگ , يادگيري عميق , تشخيص و مكان‌يابي

polyp , Colon cancer , deep learning , detection and localization