نهج التعلم العميق لزيادة البيانات في التصوير الطبي: مراجعة

أصبح التعلم العميق أداة شائعة لتحليل الصور الطبية، لكن تظل محدودية توفر بيانات التدريب تحديًا رئيسيًا، خاصةً في المجال الطبي حيث يمكن أن تكون تكاليف الحصول على البيانات مرتفعة وتخضع للوائح الخصوصية. تقدم تقنيات زيادة البيانات حلاً من خلال زيادة عدد عينات التدريب بشكل صناعي، ولكن غالبًا ما تؤدي هذه التقنيات إلى نتائج محدودة وغير مقنعة. لمعالجة هذه المشكلة، اقترحت عدد متزايد من الدراسات استخدام نماذج توليد عميقة لتوليد بيانات أكثر واقعية وتنوعًا تتوافق مع التوزيع الحقيقي للبيانات. في هذه المراجعة، نركز على ثلاثة أنواع من نماذج التوليد العميق لزيادة الصور الطبية: المرمزات التلقائية المتغيرة، والشبكات التنافسية المولّدة، ونماذج الانتشار. نقدم نظرة عامة على الحالة الراهنة لكل من هذه النماذج ونناقش إمكانياتها للاستخدام في مهام مختلفة في التصوير الطبي، بما في ذلك التصنيف، والتجزئة، والترجمة عبر الأنماط. نقيم أيضًا نقاط القوة والقيود لكل نموذج ونقترح اتجاهات للبحث المستقبلي في هذا المجال. هدفنا هو تقديم مراجعة شاملة حول استخدام نماذج التوليد العميقة لزيادة الصور الطبية وتسليط الضوء على إمكانيات هذه النماذج لتحسين أداء خوارزميات التعلم العميق في تحليل الصور الطبية.