5321

كاربرد شبكه هاي رقابتي مولد در پردازش تصاوير پزشكي

۱۳۹۷-۱۳۹۸

دكتر احمد اكبري

دكتر محمود فتحي

در سال‏ هاي اخير مكانيسم‏ هاي پردازش تصوير به طور وسيعي در حوزه‏ هاي مختلف از جمله حوزه‏ ي پزشكي به منظور بهبود و تسريع در شناسايي به موقع و درمان بيماري‏ ها و وضعيت‏ هايي هم‏ چون تومورهاي سرطاني ريه و پستان و غيره كه در آن‏ ها، زمان فاكتور مهمي در تشخيص بيماري است، به كار گرفته شده است. پردازش تصاوير پزشكي نقش مهمي در تمامي مراحل پيش ‏بيني، غربال‏ گري، شناسايي، برنامه ‏ريزي براي درمان، پاسخ به درمان و تسكين بيماري ايفا مي ‏كند. به عبارت ديگر پردازش تصاوير بخش مهمي از پروتكل‏ هاي باليني را تشكيل مي ‏دهند و اين قابليت را دارند تا اطلاعات مفيدي را ارائه دهند و مي‏ توانند همراه با ديگر ابزارهاي تشخيصي در تصميم ‏گيري باليني كمك‏ كننده باشند. به منظور پردازش تصاوير، استفاده از شبكه‏ هاي مبتني بر ناظر نياز به مقادير زيادي تصاوير‏ برچسب‏ گذاري شده دارد. برچسب ‏گذاري تعداد زيادي نمونه، پرهزينه و زمان‏بر است. شبكه‏ هاي بدون نظارت نيز با اين‏كه نياز به برچسب‏ گذاري تعداد زيادي داده ندارند، اما از دقت بالايي برخوردار نيستند. در سال‏ هاي اخير چارچوب جديدي معرفي شده ‏است كه تا به امروز توانسته است تا حدودي بر اين مسائل غلبه كند. شبكه هاي رقابتي مولد (GANs) يك چارچوب جديد متشكل از دو شبكه‏ ي مولد و مميز است كه در رقابت با يك‏ديگر قرار مي‏ گيرند و عمل‏كرد هر دو شبكه در طول آموزش بهبود مي ‏يابد. شبكه‏ ي GAN علاوه براين‏كه نياز به مجموعه‏ داده ‏ي بزرگ و برچسب‏ گذاري آن‏ ها ندارد از نظر دقت و كارايي اميدبخش بوده است و كاربردهاي مختلفي در حوزه‏ هاي متنوع دارد. از كاربردهاي شبكه‏ هاي رقابتي مولد مي ‏توان به طبقه‏ بندي تصاوير، بالا بردن كيفيت تصاوير، سنتز متن به عكس، توليد داده، قطعه ‏بندي، تخمين داده و ... اشاره كرد. بنابراين در اين پژوهش به سراغ شبكه‏ هاي رقابتي مولد رفته‏ ايم و به معرفي و بيان كاربردهاي آن به ويژه در پردازش تصاوير پزشكي خواهيم پرداخت؛ نحوه ي استفاده از اين شبكه ها و ساختار آن‏ ها را بررسي خواهيم كرد و تصاوير توليد شده و نتايج به‏ دست آمده از به‏ كارگيري اين شبكه‏ ها را مورد تحليل قرار خواهيم داد. واژه‌هاي كليدي: شبكه هاي رقابتي مولد، يادگيري عميق، پردازش تصاوير پزشكي

11/21/2018 12:00:00 AM

57511

1397/09/14