ارتقاء بازیابی تصاویر پزشکی از طریق یادگیری عمیق کد درهم سازی با استفاده از بهبود روش طبقه بندی و داده ها

استفاده از یادگیری عمیق برای تکنیک های بازیابی تصاویر و تفسیر داده های پزشکی به توروی نتایج ارید بخشی از خود ارایه نموده اند و در تشتخیل و ارائه راه درانی رناستاز از اهمیت زیادی برخوردار هستند. با این حال چالش های زیادی برای رادیولوژیست ها در برابری بالینی و تشتخیل وجود دارد که بر عملکرد بازیابی تصاویر پزشکی تاثیر زیادی دارد. در این رقاله روشی بهبود یافته با نام Y-Net بهبود یافته، دردهت دلوگیری از این گونه چالش ها و ابهارات در بازیابی نمونه های پزشکی ارائه شده است، شبکه Y-Net از رجموعه ای از لایه های پیچشی تشکیل شده که به طور روازی برای استخراج ویژگی های پیچیده تصاویر پزشکی عمل می کنند. را در Y-Net ارتقاء یافته در بخش طبقه بندی، از یک طبقه بند دیدگاه برای کلاستر بندی داده ها استفاده کرده ایم و روش طبقه بندی بتا عنوان Attention classifier تعیین روش بلی کرده ایم. آزمایش ها برروی رجموعه داده های (JSRT) نشاندهنده آنست که Y-Net ارتقاء یافته، ریتواند نسبت به Y-Net پایه به دلیلش تمرکز بیشتر و بهتر بر روی داده ها در ردلته کلاستر بندی، ابهتام رنتاطق ب یرطبیعی پتاتولوژیت را کاهش دهد. عملکرد بازیابی روش پیشنهادی با سایر الگوریتم های رقیا، براساس map@۵، map@۱۰، map@۲۰، و map@۵۰ اندازه گیری شده است که نشاندهند ازایشتهایی ۵۲%، ۴۵%، ۳۴%، و ۲۵% نسبت به روش بلی است.

ارتقاء بازیابی تصاویر پزشکی از طریق یادگیری عمیق کد درهم سازی با استفاده از بهبود روش طبقه بندی و داده ها Keywords:

بازیابی تصاویر پزشکی , روش های درهم عمیق , تصاویر مبتنی بر محتوا , ویژگی های کانولوشنال