دوره 11، شماره 4 - ( 12-1403 )
جلد 11 شماره 4 صفحات 0-0 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Zavar M, Ghaffari H, Tabatabaee H. Enhancing HIFU Lesion Area Detection through Supervised and Contrastive Self-Supervised Learning with Wavelet-Based Feature Extraction and Hard Negatives (HWCSSL). jhbmi 2025; 11 (4)
URL: http://jhbmi.ir/article-1-897-fa.html
URL: http://jhbmi.ir/article-1-897-fa.html
زوار متینه، غفاری حمیدرضا، طباطبایی حمید. بهبود تشخیص ناحیه جراحت HIFU از طریق یادگیری نظارت‌شده و خودنظارتی متضاد با استخراج ویژگی مبتنی بر موجک و نمونه‌های منفی سخت (HWCSSL). مجله انفورماتیک سلامت و زیست پزشکی. 1403; 11 (4)
دکترای کامپیوتر، دانشیار گروه کامپیوتر، واحد فردوس، دانشگاه آزاد اسلامی، فردوس، ایران
چکیده: (923 مشاهده)
مقدمه: هوش مصنوعی که با الگوریتم‌های یادگیری ماشین قدرت می‌گیرد، در حال دگرگون کردن جنبه‌های مختلف فعالیت‌های انسانی مانند طبقه‌بندی، تشخیص، پیش‌بینی و غیره است که هدف آن بهبود کیفیت زندگی و خدمات می‌باشد. با وجود کارایی روش‌های سنتی که مبتنی بر ویژگی‌های دست‌ساز داده‌ها هستند، این روش‌ها در وظایف پیچیده‌ای مانند تشخیص پزشکی با محدودیت‌هایی مواجه می‌شوند. پیشرفت شبکه‌های عصبی عمیق (DNNs) در استخراج خودکار ویژگی‌ها، تحلیل داده‌ها را دگرگون کرده است. تحقیق پیشرو این توانایی را در تشخیص جراحت HIFU به کار می‌گیرد که برای درمان سرطانها و یا متوقفکردن خونریزی توسعه دادهشدهاند.
روش کار: در این مطالعه روشی نوآورانه برای استخراج ویژگی‌ها با ترکیب یادگیری نظارت‌شده و خودنظارتی و استفاده از نمونه‌های منفی سخت توسعه داده شد. این روش از سیگنال RF و تصاویر B-mode استفاده کرده و داده‌های برچسب‌دار و بدون برچسب را به‌طور همزمان پردازش می‌کند و همچنین تکنیک‌های افزایش داده، مانند تبدیل‌های موجک، برای بهبود استخراج ویژگی‌ها و دقت تشخیصی به کار گرفته شدند.
یافته‌ها: مدل پیشنهادی بهبودهای قابل توجهی در طبقه‌بندی جراحت HIFU نشان داد. معیارهای ارزیابی، شامل دقت، صحت، یادآوری و امتیاز F1، بر اثربخشی مدل در تمایز بین بافت جراحت و سالم در طول درمان HIFU تأکید دارند. ترکیب داده‌های سیگنال و تصویر به‌طور چشمگیری به عملکرد برتر مدل کمک کرد.
نتیجه‌گیری: این رویکرد یک روش بسیار دقیق برای تشخیص جراحت HIFU از طریق چارچوب یادگیری عمیق خودنظارتی ارائه می‌دهد. با ترکیب تکنیک‌های نظارت‌شده و خودنظارتی، مدل بینش‌های ارزشمندی از داده‌های بدون برچسب استخراج کرده و دقت و کاربردپذیری در درمان‌های غیرتهاجمی را افزایش می‌دهد. این روش به چالش‌های کلیدی در تصویربرداری پزشکی پرداخته و دقت تشخیصی را، به‌ویژه در کاربردهای بلادرنگ، بهبود می‌بخشد.
روش کار: در این مطالعه روشی نوآورانه برای استخراج ویژگی‌ها با ترکیب یادگیری نظارت‌شده و خودنظارتی و استفاده از نمونه‌های منفی سخت توسعه داده شد. این روش از سیگنال RF و تصاویر B-mode استفاده کرده و داده‌های برچسب‌دار و بدون برچسب را به‌طور همزمان پردازش می‌کند و همچنین تکنیک‌های افزایش داده، مانند تبدیل‌های موجک، برای بهبود استخراج ویژگی‌ها و دقت تشخیصی به کار گرفته شدند.
یافته‌ها: مدل پیشنهادی بهبودهای قابل توجهی در طبقه‌بندی جراحت HIFU نشان داد. معیارهای ارزیابی، شامل دقت، صحت، یادآوری و امتیاز F1، بر اثربخشی مدل در تمایز بین بافت جراحت و سالم در طول درمان HIFU تأکید دارند. ترکیب داده‌های سیگنال و تصویر به‌طور چشمگیری به عملکرد برتر مدل کمک کرد.
نتیجه‌گیری: این رویکرد یک روش بسیار دقیق برای تشخیص جراحت HIFU از طریق چارچوب یادگیری عمیق خودنظارتی ارائه می‌دهد. با ترکیب تکنیک‌های نظارت‌شده و خودنظارتی، مدل بینش‌های ارزشمندی از داده‌های بدون برچسب استخراج کرده و دقت و کاربردپذیری در درمان‌های غیرتهاجمی را افزایش می‌دهد. این روش به چالش‌های کلیدی در تصویربرداری پزشکی پرداخته و دقت تشخیصی را، به‌ویژه در کاربردهای بلادرنگ، بهبود می‌بخشد.
واژه‌های کلیدی: اولتراسوند متمرکز با شدت بالا، شبکه‌های عصبی عمیق، یادگیری خودنظارتی، تشخیص جراحت، یادگیری متضاد، تبدیل موجک
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1403/8/12 | پذیرش: 1403/10/5
دریافت: 1403/8/12 | پذیرش: 1403/10/5
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
