14191

تحليل تصاوير اكوكارديوگرافي با استفاده از ترنسفورمر بينايي

1402

دكتر حميد بهنام

تحليل تصاوير اكوكارديوگرافي به عنوان يكي از روش‌هاي كليدي در ارزيابي ساختار و عملكرد قلب، چالش‌هاي زيادي مانند كيفيت پايين تصاوير و تغييرات ديناميك قلبي را به همراه دارد. در اين گزارش، به بررسي استفاده از روش‌هاي يادگيري عميق، به‌ويژه ترنسفورمرها و شبكه‌هاي هيبريدي CNN-Transformer در تحليل تصاوير اكوكارديوگرافي پرداخته شده است. روش‌هاي كلاسيك و عميق گذشته تحليل تصاوير، اگرچه پيشرفت‌هايي در بخش‌بندي و تشخيص نشان داده‌اند، اما به دليل محدوديت در شناسايي وابستگي‌هاي دوربرد، نمي‌توانند به‌خوبي با تصاوير پيچيده پزشكي مانند اكوكارديوگرافي سه‌بعدي سازگار شوند. ويژن ترنسفورمرها (ViTs) به دليل مكانيزم توجه خودكار و توانايي استخراج ويژگي‌هاي معنادار، بهبود چشمگيري در عملكرد مدل‌ها ايجاد كرده‌اند. مدل‌هاي پيشنهادي مانند IFT-Net و CarpNet، با تركيب ويژگي‌هاي محلي و دوربرد، توانسته‌اند دقت بيشتري در تشخيص بيماري‌هاي قلبي، بخش‌بندي بطن چپ و تخمين حركت قلب نشان دهند. ارزيابي‌هاي كمي و كيفي با استفاده از معيارهايي نظير Dice، Jaccard، RMSE، و IoU حاكي از بهبود عملكرد اين مدل‌ها نسبت به روش‌هاي پايه است. با اين حال، چالش‌هايي مانند نياز به داده‌هاي بزرگ و پيچيدگي محاسباتي همچنان وجود دارد. در اين راستا، پيشنهاداتي براي بهبود معماري مدل‌ها و كاهش زمان پردازش ارائه شده است كه مي‌تواند كاربرد اين تكنيك‌ها را در تشخيص و درمان بيماري‌هاي قلبي تسهيل كند.

11/13/2024 12:00:00 AM

85023

1403/09/17

Analysis of echocardiography images using vision transformer

اكوكارديوگرافي، يادگيري عميق، ترنسفورمر، ويژن ترنسفورمر، بخش‌بندي تصوير