الأخبار التكنولوجية والاستعراضات والنصائح!

يقترح باحثون من الصين نهج CarveMix لزيادة البيانات لتجزئة آفة الدماغ

ستساعدك المقالة التالية: يقترح باحثون من الصين نهج CarveMix لزيادة البيانات لتجزئة آفة الدماغ

أصبح تجزئة آفة الدماغ الآلية باستخدام الشبكات العصبية التلافيفية (CNNs) أداة تشخيص وأبحاث سريرية قيّمة. ومع ذلك ، لا تزال المناهج المستندة إلى CNN تواجه تحديات في تجزئة آفات الدماغ بدقة بسبب ندرة بيانات التدريب المشروحة. تم تطوير استراتيجيات زيادة البيانات التي تمزج بين أزواج من الصور المشروحة لتحسين تدريب شبكات CNN. ومع ذلك ، فإن الأساليب الحالية القائمة على خلط الصور ليست مصممة لآفات الدماغ وقد لا تؤدي بشكل جيد لتجزئة آفة الدماغ.

قبل استخدام النهج القائمة على CNN ، اعتمدت الدراسات السابقة حول تجزئة آفة الدماغ الآلية على تقنيات التعلم الآلي التقليدية. أدت التطورات الأخيرة في شبكات CNN إلى تحسينات كبيرة في أداء التجزئة. تتضمن الأمثلة على هذه التطورات الحديثة 3D DenseNet و U-Net و Context-Aware Network (CANet) و CNN الواعية بعدم اليقين ، والتي تم اقتراحها لتقسيم أنواع مختلفة من آفات الدماغ. ومع ذلك ، على الرغم من هذه التطورات ، فإن تقسيم آفات الدماغ بدقة لا يزال يمثل تحديًا.

وهكذا ، اقترح فريق بحثي من الصين مؤخرًا نهجًا بسيطًا وفعالًا لزيادة البيانات يسمى CarveMix ، وهو مدرك للآفات ويحافظ على معلومات الآفة أثناء دمج الصور.

CarveMix ، نهج زيادة البيانات ، مدرك للآفات ومصمم خصيصًا لتجزئة آفة الدماغ المستندة إلى CNN. فهو يجمع بشكل عشوائي بين صورتين مشروحتين للحصول على عينات جديدة معنونة. ينحت CarveMix منطقة اهتمام (ROI) من صورة مشروحة واحدة وفقًا لموقع الآفة والهندسة مع حجم عائد استثمار متغير. ثم يحل عائد الاستثمار المنحوت محل وحدات البكسل المقابلة في صورة مشروحة ثانية لتجميع صور معنونة جديدة لتدريب الشبكة. تطبق الطريقة أيضًا خطوات تنسيق إضافية للبيانات غير المتجانسة من مصادر مختلفة ونماذج التأثير الشامل الفريد لتجزئة ورم الدماغ بالكامل أثناء خلط الصور.

بشكل ملموس ، فإن الخطوات الرئيسية للنهج المقترح لتجزئة آفة الدماغ هي كما يلي:

يستخدم المؤلفون مجموعة من الصور المشروحة ثلاثية الأبعاد مع آفات الدماغ لتدريب شبكة CNN على تجزئة آفة الدماغ تلقائيًا.

من الصور المشروحة ، يتم إجراء زيادة البيانات باستخدام CarveMix ، والذي يعتمد على خلط الصور المدرك للآفات.

لإجراء خلط الصور ، يأخذ المؤلفون زوجًا من الصور المشروحة ويستخرجون عائد استثمار ثلاثي الأبعاد من صورة واحدة وفقًا لموقع الآفة والهندسة التي قدمها التعليق التوضيحي.

ثم يتم خلط عائد الاستثمار مع الصورة الأخرى ، واستبدال المنطقة المقابلة ، وضبط التعليق التوضيحي وفقًا لذلك.

أخيرًا ، يتم الحصول على صور وشروح تركيبية مشروحة يمكن استخدامها لتحسين تدريب الشبكة. يكرر المؤلفون العملية لإنشاء بيانات تدريب مشروحة متنوعة.

تم تقييم الطريقة المقترحة على عدة مجموعات بيانات لتجزئة آفة الدماغ ومقارنتها مع زيادة البيانات التقليدية (TDA) و Mixup و CutMix. أظهرت النتائج أن CarveMix + TDA تفوق في الأداء على الطرق المنافسة فيما يتعلق بمعامل النرد ومسافة Hausdorff والدقة والتذكر. الطريقة المقترحة خفضت التوقعات السلبية الكاذبة وتجزئة الآفات. كما تم عرض فائدة CarveMix وحدها بدون TDA عبر الإنترنت.

في هذه المقالة ، قدمنا ​​طريقة جديدة تسمى CarveMix والتي تم اقتراحها كأسلوب لتكبير البيانات لتجزئة آفة الدماغ. CarveMix عبارة عن مزيج من صور التدريب المشروحة التي تُنشئ صور تدريب تركيبية. هذا المزيج مدرك للآفات ، مع الأخذ في الاعتبار موقع وشكل الآفات مع معلمة حجم عينة عشوائية. لضمان الاتساق في مزيج البيانات من مصادر مختلفة ، يتم تقديم خطوات التنسيق. بالإضافة إلى ذلك ، تم دمج نمذجة التأثير الشامل لتحسين CarveMix خصيصًا لتجزئة ورم الدماغ بالكامل. تظهر النتائج التجريبية لأربع مهام تجزئة آفة الدماغ أن CarveMix يحسن الدقة ويتفوق على استراتيجيات زيادة البيانات الأخرى.