چکیده– روشهای یادگیری ماشینی (عمیق) در تصویربرداری پزشکی، از بازسازی یا پردازش تصویر گرفته تا مدل‌سازی پیش‌بینی‌کننده، برنامه‌ریزی بالینی و سیستم‌های کمک-تصمیم‌گیری، موفق بوده‌اند. دسترسی روزافزون به داده‌ها و بهبود توانایی الگوریتم‌ها برای یادگیری منجر به ظهور روشهای شبکه‌های عصبی برای رسیدن به کارایی بالاتر و عملکرد بهتر نسبت به روشهای یادگیری ماشینی «کم عمق» شده است. هدف مقاله حاضر تحقیق در مورد پیشرفت‌های اخیر این تکنیک‌ها، از جمله مواردی که در مقالات منتشر شده در شماره ویژه حاضر در مورد یادگیری ماشینی (عمیق) برای پردازش تصویر و رادیومیک در علوم پزشکی مبتنی بر تشعشع توضیح داده شده است می باشد.
کلمات کلیدی – یادگیری عمیق، یادگیری ماشین، رادیومیک
هوش مصنوعی در دهه گذشته شاهد پیشرفت‌ها و کاربردهای نمایی در همه زمینه‌های علمی بوده است. تکنیک های یادگیری ماشین ظهور چشمگیری داشته اند. این تکنیک‌ها برای حل چالش‌های متعدد در بینایی کامپیوتری و تشخیص الگو، جایگاه اول را به دست آورده‌اند که با ImageNet در سال ۲۰۱۲ شروع شد.
بر اساس مطالعات اخیر، زمینه هایی که به احتمال زیاد با افزایش این تکنیک ها در ارتباط با مقیاس روزافزون و در دسترس بودن «داده های بزرگ» به طور قابل توجهی دگرگون می شوند، تجارت الکترونیک، رباتیک و بخصوص بخش مراقبت های بهداشتی و صنعت داروسازی خواهد بود. مخصوصا در تصویربرداری پزشکی ظهور تکنیک‌های یادگیری ماشینی (عمیق) برای مقابله با تقسیم‌بندی تصویر، طبقه‌بندی، تشخیص و وظایف بازیابی، و همچنین بازسازی تصویر، فیلتر کردن/ حذف نویز، وضوح فوق‌العاده، و غیره پیشرفت چشمگیر داشته است.
رادیومیک همچنین یک زمینه تحقیقاتی در حال رشد است که هدف آن “استخراج با کارایی بالا از ویژگی های کمی از تصاویر پزشکی” است. این رویکرد در ابتدا در چارچوب توموگرافی کامپیوتری تشریحی (CT) و توموگرافی با گسیل پوزیترون عملکردی (PET) طراحی و ارزیابی شد. رویکرد رادیومیک را می توان برای هر مدالیته تصویر/رادیو ردیاب، اعمال کرد. توصیف کمی اشیاء (تومورها، اندام‌ها، بافت‌ها) به منظور ارائه اطلاعات اضافی است.
نقد و بررسی‌ها
هیچ دیدگاهی برای این محصول نوشته نشده است.