طريقة تعليم تمييز متعددة المستويات موجهة سريرياً لتشخيص الأمراض في الصور الطبية ذات الجودة المنخفضة

يوفر تعلم التمثيل وسيلة لتوضيح الخصائص المميزة ضمن الفضاء الكامن وتفسير النماذج العميقة. ومع ذلك، فإن عشوائية توزيع الآفات وتعقيد العوامل ذات الجودة المنخفضة في الصور الطبية تمثل تحديات كبيرة للنماذج لاستخراج الخصائص الأساسية للآفات. أظهرت طرق تشخيص الأمراض الموجهة بواسطة التعليم التمييزي (CL) مزايا كبيرة في تمثيل خصائص الآفات. ومع ذلك، فإن فعالية التعليم التمييزي تعتمد بشكل كبير على جودة أزواج العينات الإيجابية والسلبية. في هذا العمل، نقترح إطار عمل CL متعدد المستويات موجه سريرياً يهدف إلى تعزيز قدرة النموذج على استخراج خصائص الآفات والتمييز بين الآفات والعوامل ذات الجودة المنخفضة، مما يمكّن من تشخيص أكثر دقة للأمراض من الصور الطبية ذات الجودة المنخفضة. على وجه الخصوص، نقوم أولاً بإنشاء أزواج إيجابية وسلبية متعددة المستويات لتعزيز القدرة الشاملة للنموذج على التعرف على خصائص الآفات من خلال دمج المعلومات من مستويات وجودات مختلفة من الصور الطبية. علاوة على ذلك، لتحسين جودة تضمينات الآفات المتعلمة، نقدم طريقة ديناميكية لاستخراج العينات الصعبة تستند إلى التعلم الذاتي. تم التحقق من إطار CL المقترح على مجموعتين من بيانات الصور الطبية العامة، EyeQ وChest X-ray، مما يظهر أداءً متفوقاً مقارنة بطرق تشخيص الأمراض الحديثة الأخرى.