ترجمه فارسی مقاله آیا بهینه‌سازهای مبتنی بر وضوح، تعمیم‌پذیری را در تحلیل تصاویر پزشکی بهبود می‌بخشند؟

چکیده

Effective clinical deployment of deep learning models in healthcare demands high generalization performance to ensure accurate diagnosis and treatment planning. In recent years, significant research has focused on improving the generalization of deep learning models by regularizing the sharpness of the loss landscape. Among the optimization approaches that explicitly minimize sharpness, Sharpness-Aware Minimization (SAM) has shown potential in enhancing generalization performance on general domain image datasets. This success has led to the development of several advanced sharpness-based algorithms aimed at addressing the limitations of SAM, such as Adaptive SAM, surrogate-Gap SAM, Weighted SAM, and Curvature Regularized SAM. These sharpness-based optimizers have shown improvements in model generalization compared to conventional stochastic gradient descent optimizers and their variants on general domain image datasets, but they have not been thoroughly evaluated on medical images. This work provides a review of recent sharpness-based methods for improving the generalization of deep learning networks and evaluates the methods performance on medical breast ultrasound images. Our findings indicate that the initial SAM method successfully enhances the generalization of various deep learning models. While Adaptive SAM improves generalization of convolutional neural networks, it fails to do so for vision transformers. Other sharpness-based optimizers, however, do not demonstrate consistent results. The results reveal that, contrary to findings in the non-medical domain, SAM is the only recommended sharpness-based optimizer that consistently improves generalization in medical image analysis, and further research is necessary to refine the variants of SAM to enhance generalization performance in this field

چکیده به فارسی (ترجمه ماشینی)

استقرار بالینی مؤثر از مدلهای یادگیری عمیق در مراقبت های بهداشتی برای اطمینان از تشخیص دقیق و برنامه ریزی درمانی نیاز به عملکرد عمومی دارد.در سالهای اخیر ، تحقیقات قابل توجهی در مورد بهبود تعمیم مدل های یادگیری عمیق با تنظیم وضوح چشم انداز ضرر متمرکز شده است.از بین رویکردهای بهینه سازی که صریحاً وضوح را به حداقل می رساند ، به حداقل رساندن وضوح آگاه (SAM) پتانسیل در افزایش عملکرد تعمیم در مجموعه داده های تصویر دامنه عمومی را نشان داده است.این موفقیت منجر به توسعه چندین الگوریتم مبتنی بر وضوح پیشرفته با هدف پرداختن به محدودیت های SAM مانند SAM تطبیقی ​​، Surrogate-Gap SAM ، وزنه برداری SAM و انحنای منظم SAM شده است.این بهینه سازهای مبتنی بر وضوح در مقایسه با بهینه سازهای شیب تصادفی معمولی و انواع آنها در مجموعه داده های تصویر دامنه عمومی ، پیشرفت هایی را در کلی سازی مدل نشان داده اند ، اما آنها در تصاویر پزشکی به طور کامل ارزیابی نشده اند.این کار مروری بر روشهای اخیر مبتنی بر وضوح برای بهبود تعمیم شبکه های یادگیری عمیق و ارزیابی عملکرد روشها در تصاویر سونوگرافی پستان پزشکی ارائه می دهد.یافته های ما نشان می دهد که روش اولیه SAM با موفقیت تعمیم مدل های مختلف یادگیری عمیق را افزایش می دهد.در حالی که SAM تطبیقی ​​تعمیم شبکه های عصبی حلقوی را بهبود می بخشد ، این کار را برای ترانسفورماتورهای بینایی انجام نمی دهد.با این حال ، سایر بهینهای مبتنی بر وضوح ، نتایج مداوم را نشان نمی دهند.نتایج نشان می دهد که ، برخلاف یافته های موجود در حوزه غیر پزشکی ، SAM تنها بهینه ساز مبتنی بر وضوح است که به طور مداوم تعمیم در تجزیه و تحلیل تصویر پزشکی را بهبود می بخشد ، و تحقیقات بیشتر برای اصلاح انواع SAM برای تقویت عملکرد تعمیم در این مورد ضروری استمزرعه