تولید خودکار گزارش برای تصاویر قفسه سینه با استفاده از ترکیب مدل کانولوشنی بازگشتی و معماری توجه محور | ||
| مدل سازی در مهندسی | ||
| دوره 24، شماره 85، تابستان 1405، صفحه 1-15 اصل مقاله (765.74 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2025.35811.2749 | ||
| نویسندگان | ||
| فردین قادری؛ محمدباقر خدابخشی* ؛ شهریار جاماسب | ||
| گروه مهندسی پزشکی، دانشکده مهندسی پزشکی و مکانیک، دانشگاه صنعتی همدان، همدان، ایران | ||
| چکیده | ||
| در مطالعات علوم پزشکی، از تصاویر پزشکی برای تشخیص و طراحی پروتکل درمان بیماری ها بصورت گسترده استفاده میشود. برای پزشکان کمتجربه، نوشتن گزارش پزشکی به شکل متنی ممکن است مستعد خطا باشد، زیرا این کار نیازمند درک عمیق نسبت به بیماری و تجزیه و تحلیل آن است. همچنین برای متخصصان، این کار به دلیل تعدد بیمارانی که در یک روز مراجعه میکنند زمانبر و پر زحمت است. از دیدگاه دیگر، وجود گزارش های الگو برای پزشکان میتواند به میزان قابل توجهی دقت آن ها را در تشخیص بیماری افزایش دهد و خطای ناشی از عدم توجه به جزئیات را کاهش دهد. این پژوهش یک مدل مبتنی بر یادگیری عمیق را برای تولید خودکار گزارشهای تصاویر رادیولوژی ارائه نموده است. این مدل بر پایه ترکیب یک ساختار کانولوشنی بازگشتی و معماری توجه محور است که با نام Res-LSTM-Attn معرفی گردیده است. در این مدل ابتدا از تصاویر پزشکی با استفاده از شبکه عصبی کانولوشنی رِزنت ویژگی ها استخراج خواهند شد و بر اساس یک مدل چند برچسبی کلمات یک گزارش پیش بینی خواهند شد. در ادامه با استفاده از شبکه عصبی بازگشتی LSTM و لایه های توجه چندسر گزارش نهایی تولید میشود. عملکرد مدل های پیشنهادی بر اساس معیارهای BLEU 1-4 و ROUGE-L و CIDEr-D مورد ارزیابی قرار گرفت. نتایج نشان داد مدل پیشنهادی از نظر معیار CIDEr-D و ROUGE-L در تولید گزارشات طولانی بر مطالعات پیشین غلبه کرده است و این مقادیر بترتیب به میزان 7/2 و 3/2 درصد بهبود یافته اند. | ||
| کلیدواژهها | ||
| تصاویر پزشکی؛ شبکه عصبی عمیق بازگشتی؛ تولید خودکار گزارش؛ رمزگشا؛ رمزگذار؛ مکانیسم توجه | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 774 تعداد دریافت فایل اصل مقاله: 324 |
||
| تعداد نشریات | 22 |
| تعداد شمارهها | 723 |
| تعداد مقالات | 10,397 |
| تعداد مشاهده مقاله | 72,884,431 |
| تعداد دریافت فایل اصل مقاله | 64,563,092 |