Key points are not available for this paper at this time.
نقترح نموذج بوابة انتباه جديدة (AG) لتحليل الصور الطبية يتعلم تلقائيًا التركيز على الهياكل المستهدفة ذات الأشكال والأحجام المتنوعة. النماذج المدربة باستخدام البوابات الانتباهية تتعلم ضمنيًا كتم المناطق غير ذات الصلة في صورة الإدخال مع تسليط الضوء على الميزات البارزة المفيدة لمهمة معينة. وهذا يمكننا من إلغاء الحاجة إلى استخدام وحدات تحديد موضع الأنسجة/الأعضاء الخارجية الصريحة عند استخدام الشبكات العصبية الالتفافية (CNNs). يمكن دمج البوابات الانتباهية بسهولة في نماذج CNN القياسية مثل هياكل VGG أو U-Net مع الحد الأدنى من العبء الحسابي، مع زيادة حساسية النموذج ودقة التنبؤ. تم تقييم نماذج AG المقترحة على مجموعة متنوعة من المهام، بما في ذلك تصنيف الصور الطبية والتجزئة. بالنسبة للتصنيف، نوضح حالة استخدام البوابات الانتباهية في اكتشاف مستوي المسح لفحص الموجات فوق الصوتية للجنين. نوضح أن آلية الانتباه المقترحة يمكن أن تقدم تحديد كائنات فعال بينما تحسن الأداء العام للتنبؤ عن طريق تقليل الإيجابيات الكاذبة. بالنسبة للتجزئة، تم تقييم العمارة المقترحة على مجموعتين كبيرتين من بيانات التصوير المقطعي المحوسب (CT) البطني مع تعليقات مرجعية لعدة أعضاء. تُظهر النتائج التجريبية أن نماذج AG تحسن باستمرار أداء التنبؤ للهياكل الأساسية عبر مجموعات البيانات وأحجام التدريب المختلفة مع الحفاظ على الكفاءة الحاسوبية. علاوة على ذلك، توجه البوابات الانتباهية تنشيطات النموذج لتكون مركزة حول المناطق البارزة، مما يوفر رؤى أفضل حول كيفية اتخاذ التنبؤات من قبل النموذج. الشيفرة المصدرية لنماذج AG المقترحة متاحة للعامة.
درس شلمبر et al. (الثلاثاء) هذا السؤال.