تقييم جودة الصور الطبية بدون علامات من خلال التعلم المتباين المدرك للمعاني في إنترنت الأشياء الطبية

مع التطور السريع لإنترنت الأشياء الطبية (IoMT) في السنوات الأخيرة، أصبح حلاً واعدًا لتخفيف عبء العمل عن العاملين في المجال الطبي، لاسيما في مجال تقييم جودة الصور الطبية (MIQA). من خلال نشر MIQA المعتمدة على IoMT، تثبت فعاليتها الكبيرة في دعم تشخيص وعلاج أنواع مختلفة من الصور الطبية، مثل صور قاع العين، صور الموجات فوق الصوتية، وصور الجلد. ومع ذلك، تتطلب نماذج MIQA التقليدية عددًا كبيرًا من الصور الطبية المميزة لتكون فعالة، مما يشكل تحديًا في الحصول على مجموعة بيانات تدريب كافية. لمعالجة هذه القضية، نقدم نموذج MIQA بدون علامات تم تطويره من خلال نهج التعلم بدون عينة. يقدم هذا البحث نموذج التعلم المتباين المدرك للمعاني (SCL) الذي يمكنه بشكل فعال تعميم تقييم الجودة على أنواع متنوعة من الصور الطبية. تدمج الطريقة المقترحة الميزات المستخرجة من التعلم بدون عينة، والنطاق المكاني، والنطاق الترددي. يتم تحقيق التعلم بدون عينة من خلال نموذج التدريب المسبق للغة والصورة المتباين المخصص (CLIP). يتم استخراج إحصاءات المشهد الطبيعي (NSS) وميزات استنادًا إلى الرقعة في النطاق المكاني، بينما يتم استخراج الميزات الترددية بشكل هرمي من المستويات المحلية والعالمية. يتم استخدام كل هذه المعلومات لاشتقاق درجة الجودة النهائية لصورة طبية. لضمان تقييم شامل، لا نستخدم مجموعتين موجودتين فقط، EyeQ وLiverQ، بل نقوم أيضًا بإنشاء مجموعة بيانات خصيصًا لتقييم جودة الصور الجلدية. نتيجة لذلك، تخضع طريقتنا SCL لتقييمات شاملة باستخدام جميع مجموعات بيانات جودة الصور الطبية الثلاث، مما يبرهن على تفوقها على النماذج المتقدمة.