ترجمه فارسی مقاله یک تکنیک جدید یادگیری عمیق مبتنی بر مومنتوم برای طبقه‌بندی و قطعه‌بندی تصاویر پزشکی

چکیده

Accurately segmenting different organs from medical images is a critical prerequisite for computer-assisted diagnosis and intervention planning. This study proposes a deep learning-based approach for segmenting various organs from CT and MRI scans and classifying diseases. Our study introduces a novel technique integrating momentum within residual blocks for enhanced training dynamics in medical image analysis. We applied our method in two distinct tasks: segmenting liver, lung, & colon data and classifying abdominal pelvic CT and MRI scans. The proposed approach has shown promising results, outperforming state-of-the-art methods on publicly available benchmarking datasets. For instance, in the lung segmentation dataset, our approach yielded significant enhancements over the TransNetR model, including a 5.72% increase in dice score, a 5.04% improvement in mean Intersection over Union (mIoU), an 8.02% improvement in recall, and a 4.42% improvement in precision. Hence, incorporating momentum led to state-of-the-art performance in both segmentation and classification tasks, representing a significant advancement in the field of medical imaging.

چکیده به فارسی (ترجمه ماشینی)

به طور دقیق تقسیم اندام های مختلف از تصاویر پزشکی ، پیش نیاز مهمی برای تشخیص و برنامه ریزی مداخله به کمک رایانه است.این مطالعه یک رویکرد عمیق مبتنی بر یادگیری برای تقسیم اندام های مختلف از اسکن CT و MRI و طبقه بندی بیماری ها ارائه می دهد.مطالعه ما یک تکنیک جدید را برای ادغام حرکت در بلوک های باقیمانده برای دینامیک آموزش پیشرفته در تجزیه و تحلیل تصویر پزشکی معرفی می کند.ما روش خود را در دو کار مجزا به کار گرفتیم: تقسیم بندی داده های کبد ، ریه و روده بزرگ و طبقه بندی اسکنهای لگن و MRI لگن شکمی.رویکرد پیشنهادی نتایج امیدوارکننده ای را نشان داده است ، و از روشهای پیشرفته در مجموعه داده های معیار در دسترس عموم استفاده می کند.به عنوان مثال ، در مجموعه داده های تقسیم ریه ، رویکرد ما پیشرفت های قابل توجهی نسبت به مدل Transnetr ، از جمله افزایش 5.72 ٪ در نمره تاس ، بهبود 5.04 ٪ در میانگین تقاطع در اتحادیه (MIOU) ، بهبود 8.02 ٪ در فراخوان و یک4.42 ٪ بهبود در دقت.از این رو ، ترکیب حرکت منجر به عملکرد پیشرفته در هر دو کار تقسیم بندی و طبقه بندی شد ، که نشان دهنده پیشرفت قابل توجهی در زمینه تصویربرداری پزشکی است.