| تصویر برداری تمام-اسلاید و کاربرد هوش مصنوعی در پاتولوژی دامپزشکی |
| کد مقاله : 1071-MVTCONF (R1) |
| نویسندگان |
|
مهرشاد صادقیان *، سید علی موسوی نیا دانشجوی دکتری حرفه ای دامپزشکی، دانشکده دامپزشکی، دانشگاه شهرکرد، شهرکرد، ایران |
| چکیده مقاله |
| در سال‌های اخیر، تحلیل تصویر بافت دیجیتال از روش‌های سنتی به سمت روش‌های مبتنی بر هوش مصنوعی (به ویژه Deep-learning) برای تحلیل مجموعه‌های کامل نمونه‌ها تغییر کرده است. در آسیب‌شناسی، روش‌های مبتنی بر هوش مصنوعی برای مشکلات پیچیده و داده‌های بزرگ مورد استفاده قرار می‌گیرند، جایی که روش‌های قدیمی ممکن است ناکافی یا زمان‌بر باشند(3-1). نمونه‌هایی از استفاده از تحلیل تصویر بافت حیوانی با هوش‌مصنوعی شامل ارزیابی مراحل اسپرماتوژنز در موش‌ها(4)، ارزیابی کاردیومیوپاتی(5) و آتروفی شبکیه در جوندگان(6) می‌باشد. Machine learning، یک زیرمجموعه از هوش مصنوعی، به برنامه‌های نرم افزاری اجازه می‌دهد تا در پیش‌بینی نتایج خروج دقیق‌تر عمل کنند بدون اینکه به طور مستقیم برای این کار برنامه‌ریزی شده باشند. Machine learning الگوریتم‌ها را با نمونه داده‌ها دریافت کرده تا ویژگی‌ها را به طور خودکار شناسایی کنند (7،8). Deep learning، یک زیرشاخه از Machine learning، به طور گسترده در تصویربرداری پزشکی از جمله آسیب‌شناسی استفاده می‌شود. مدل‌های Deep learning، به ویژه شبکه‌های عصبی کانولوشن (Convolutional Neural Networks) از اتصالات عصبی در مغز انسان تقلید می‌کنند. CNNsها عملیات ریاضیاتی به نام convolution را روی پیکسل‌های تصویر انجام می‌دهند تا ساختارهای مورد نظر را شناسایی، طبقه‌بندی و یا بخش‌بندی کنند. آن‌ها می‌توانند از طریق یادگیری نظارت‌شده که نیاز به داده‌های برچسب‌گذاری شده دارد یا یادگیری بدون نظارت که داده‌ها را براساس شباهت‌های ویژگی‌های مختلف گروه‌بندی می‌کند، عمل کنند(9). به طور خلاصه، یکپارچه‌سازی هوش مصنوعی و یادگیری عمیق در تحلیل تصویر بافت دیجیتال یک پیشرفت قابل توجه در آسیب‌شناسی محسوب می‌شود که امکان تحلیل دقیق‌تر و کارآمدتر داده‌های پیچیده را فراهم می‌کند. |
| کلیدواژه ها |
| پاتولوژی، هوش مصنوعی، Machine learning، Deep learning |
| وضعیت: پذیرفته شده برای ارسال فایل های ارائه پوستر |
