فهرست نشریات علمی دسترسی آزاد ایران

تقسیم­‌بندی دقیق بافت سینه در تصاویر اولتراسوند برای تشخیص زودهنگام و تحلیل سرطان سینه بسیار حائز اهمیت است. روش‌­های سنتی برای تقسیم­‌بندی تصاویر پزشکی غالبا به طراحی دستی معماری‌­های شبکه‌ی عصبی وابسته هستند، که می‌­تواند زمان‌بر و متکی به دانش کارشناسان باشد. در این مطالعه رویکرد جدیدی پیشنهاد شده است که در آن جست‌وجوی معماری شبکه (NAS) با الگوریتم ژنتیک ترکیب شده تا شبکه‌ی عصبی عمیق UNet برای تقسیم­‌بندی بافت سینه بهینه‌‌سازی شود. این ترکیب از مزایای هر دو جست‌وجوی معماری شبکه و الگوریتم‌­های تکاملی بهره‌برداری می­کند، تا عمل‌کرد مدل را بهبود بخشد و امکان طراحی خودکار معماری کارآمد را فراهم سازد. نتایج تجربی نشان می‌­دهد که رویکرد پیشنهادی در بهینه‌­سازی فراپارامتر­ها موثر و کارآمد است. مدل‌­های UNet که به صورت خودکار ساخته شده­‌اند، از لحاظ دقت تقسیم­‌بندی و کارایی محاسباتی با معماری‌­های طراحی شده‌ی دستی قابل رقابت هستند. عمل‌کرد روش پیشنهادی (GNAS-UNet) روی مجموعه‌ی داده‌ی BUSI ارزیابی شده است. نمرات DC و Miou به ترتیب برابر با 937/0 و 906/0 به دست آمده که نشان ‌دهنده‌ی رقابت­‌پذیری معماری‌های خودکار با معماری‌­های دست­‌ساز است. علاوه بر این، توانایی الگوریتم ژنتیک در کاوش فضای جست‌وجو به شناسایی پیکر­بندی­‌های شبکه­‌ای مناسب که به خوبی به داده‌­های جدید تعمیم می‌­یابند منجر شده است. نتایج این پژوهش بر پتانسیل تکنیک­‌های یادگیری ماشین خودکار در پیش‌برد دقت و کارایی وظایف تقسیم­‌بندی تصاویر پزشکی تاکید دارد. یکی از اهداف اصلی این تحقیق کاهش زمان طراحی و ارائه‌ی رویکردی کارآمد برای ساخت معماری‌های بهینه است.