پردازش تصاویر پزشکی با استفاده از شبکه های عصبی کانولوشن عمیق

حوزه پردازش تصاویر پزشکی بازه وسیعی از کاربردها از تشخیص دیابت چشمی از روی تصاویر شبکیه چشم تا بخش بندی تصاویر MRI جهت تشخیص تومورهای مغر انسان را در بر می گیرد. نگرش های متعدد دسته بندی و خوشه بندی مبتنی بر یادگیری ماشین در مقالات جهت بهبود دقت در غربال گری بیماری ها ارائه شده است. بعضی از این روش ها مبتنی بر استخراج ویژگی ها از روی تصاویر پزشکی به صورت دستی بوده و توسط متخصصین پردازش تصویر با صرف زمان و انرژی زیاد، صورت می پذیرد. در سال های اخیر روشی جدید برای تشخیص و طبقه بندی تصاویر پزشکی بدون نیاز به استخراج ویژگی ها به صورت دستی، مبتنی بر شبکه های عصبی کانولوشن ارائه شده است. این دسته از شبکه های عصبی که مبتنی بر فرآیند یادگیری عمیق ارائه شده اند نسبت به شبکه های عصبی معمولی به علت داشتن لایه های کانولوشن و مخفی بیشتر در زمینه کار با ورودی های با ابعاد بالاتر مانند تصاویر دارای توانمندی بیشتری هستند. یک معضل جدی در آموزش یک شبکه عصبی کانولوشن با یادگیری عمیق، به موضوع آموزش آنها از ابتدا باز می گردد این معضل ناشی از کمبود داده های طبقه بندی شده جهت آموزش و زمان بر بودن فرآیند آموزش تا یک همگرایی مناسب است. بنابراین یک روش متداول برای آموزش شبکه های عصبی کانولوشن بر روی داده های پزشکی، بر اساس باز تنظیم شبکه های از پیش آموزش یافته، می باشد. برخی از مهمترین و نیرومندترین شبکه های عصبی کانولوشن که بر روی بانک های اطلاعات تصاویر، نظیر بانک اطلاعات تصاویر ImageNet با بیش از یک میلیون تصویر، آموزش دیده اند شامل شبکه سیفارنت (CifarNet)، الکس نت (AlexNet) و گوگل نت(GoogleNet) است. که جهت بازتنظیم آنها در تشخیص تصاویر پزشکی با کاربردهای خاص و با تعداد محدودی از تصاویر، می توان بهره برد.