تسعى تقنيات التعلم العميق إلى تحسين تحليل تصوير الأعصاب، حيث تقدم الشبكات العصبية الكونفولوشنية ثلاثية الأبعاد (3D CNNs) أداءً متفوقًا في التصوير الحجمي. ومع ذلك، فإن الاعتماد على مجموعات البيانات الكبيرة يُشكل تحديًا نظرًا للتكاليف العالية والجهود المطلوبة لجمع البيانات الطبية وتوصيفها. كبديل، تستخدم الشبكات العصبية الكونفولوشنية ثنائية الأبعاد (2D CNNs) الإسقاطات ثنائية الأبعاد للصور ثلاثية الأبعاد، مما تحد من السياق الحجمي ويؤثر على دقة التشخيص.
الجدول الزمني لتقنيات التعلم العميق
| التقنية | التاريخ | الوصف |
|---|---|---|
| 3D CNNs | 2020 | الشبكات العصبية ثلاثية الأبعاد تقدم أداءً عاليًا للتحليل الحجمي. |
| 2D CNNs | 2021 | تقنيات الإسقاط ثنائي الأبعاد تخلق تحديات في دقة التشخيص. |
| استنتاج المعرفة | 2015 | تم تقديمه كبديلاً لنقل المعرفة من نماذج معقدة إلى نماذج أبسط. |
مقارنة بين 2D CNNs و3D CNNs
| العنصر | 2D CNNs | 3D CNNs |
|---|---|---|
| دقة التشخيص | أقل بسبب عدم وجود السياق الحجمي | أعلى بفضل وجود السياق الحجمي |
| متطلبات البيانات | أقل عدد من البيانات | يتطلب بيانات أكبر |
| التعقيد الحسابي | أقل | أعلى |
تتميز تقنيات مثل التعلم بالنقل واستنتاج المعرفة (KD) بمعالجة هذه التحديات من خلال الاستفادة من النماذج المدربة مسبقًا ونقل المعرفة من الشبكات المعقدة إلى نموذج أكثر بساطة. هذه الأساليب تعزز الأداء مع الحفاظ على القابلية للتعميم في مهام التصوير الطبي ذات الموارد المحدودة.
تتكيف تقنيات تحليل تصوير الأعصاب مع طرق الإسقاط 2D لتحليل الصور ثلاثية الأبعاد من خلال اختيار شرائح تمثيلية. تم استخدام تقنيات مثل إنترى شانون لتحديد الشرائح ذات الصلة تشخيصيًا، بينما تُعزز طرق مثل معلومات 2D+e المعلومات من خلال دمج الشرائح. ومع ذلك، يبقى تطبيق KD لتعليم الشبكات العصبية 2D حول العلاقات الحجمية في التصوير الحجمي لم يُستكشف بالكامل.
الإطار الزمني لتطور استنتاج المعرفة
| السنة | التطوير |
|---|---|
| 2015 | إدخال استنتاج المعرفة بواسطة هينتون |
| 2021 | تطوير استنتاج المعرفة عبر البيانات متعددة الأنماط |
| 2023 | اقتراح إطار 3D إلى 2D لتحسين أداءCNNs |
قدّم باحثون من جامعة دونغ-أ في كوريا الجنوبية إطار عمل 3D إلى 2D لتعزيز قدرة الشبكات العصبية 2D على تعلم المعلومات الحجمية من مجموعات البيانات المحدودة. يتضمن الإطار شبكة معلم 3D تقوم بترميز المعرفة الحجمية، وشبكة طالب 2D تركز على البيانات الحجمية الجزئية، وفقدان الاستنتاج لمزامنة تضمين الميزات بين الاثنين.
نتائج الأداء
| المهمة | البيانات المستخدمة | النتائج |
|---|---|---|
| تصنيف مرض باركنسون | 123I-DaTscan SPECT و18F-AV133 PET | 98.30% F1 score |
| تقييم الأداء الخارجي | F18-AV133 PET | تفوق الشبكة öğrencısı 2D بعد KD على الشبكة 3D |
بينت هذه الطريقة فعالية في تحسين تمثيل البيانات الحجمية الجزئية من خلال استغلال المعلومات العلاقة، مغايرًا للطرق السابقة التي اعتمدت على استخراج الشرائح الأساسية أو تجميع الميزات دون التركيز على تحليل الآفات. تم إدخال استراتيجية “تقييد الإدخال الجزئي” لتعزيز استنتاج المعرفة.
طرق الإسقاط المستخدمة
| طريقة الإسقاط | الوصف |
|---|---|
| الشرائح الفردية | إدخال بيانات حجمية عبر استخدام شرائح واحدة |
| الدمج المبكر | تجميع الميزات على مستوى القناة |
| الدمج المشترك | تجميع الميزات من المستويات المختلفة |
| تقنية التجميع الديناميكي | استخدام تجميع الصفات للحصول على معلومات ديناميكية |
في الختام، يؤكد هذا البحث على الأمور المهمة للإطار المقترح لاستنتاج المعرفة 3D إلى 2D بينما يقارن مع أساليب سابقة في تصنيف تصوير الأعصاب. هذه العملية تُخفض من المتطلبات الحسابية بينما تُستغل الرؤى الحجمية لتعزيز النمذجة 2D. أكدت النتائج التجريبية على قدرتها على تعميم من المهام المنتمية إلى البيانات إلى تلك غير المنتمية، مما أدى إلى تحسين كبير في الأداء حتى مع مجموعات بيانات محدودة.
