چکيده
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
