البحث عن بنية الشبكة العصبية لتصنيف الصور الطبية ثلاثية الأبعاد

الملخص تصنيف الصور الطبية ثلاثية الأبعاد ضروري لتحسين دقة التشخيص وتخطيط العلاج، لكنه يواجه تحديات بسبب تعقيد وتنوع البيانات الحجمية. بينما توفر الشبكات العصبية التلافيفية ثلاثية الأبعاد حلولًا محتملة، فإن تصميم بنى فعالة معقد ومكلف من حيث الموارد. البحث عن بنية الشبكة العصبية يقوم بأتمتة هذه العملية، حيث يعمل على تحسين تصاميم الشبكات لمهام محددة مما يحسن أداء النموذج. تقدم هذه الدراسة امتدادًا جديدًا لطريقة PBC-NAS لتصنيف الصور الطبية ثلاثية الأبعاد، بهدف موازنة دقة التنبؤ وتعقيد النموذج. نركز على تحسين بنى الشبكات العصبية باستخدام البحث عن بنية الشبكة العصبية لست مجموعات بيانات ثلاثية الأبعاد مختلفة من MedMNIST3D، تشمل OrganMNIST3D وNoduleMNIST3D وFractureMNIST3D وAdrenalMNIST3D وVesselMNIST3D وSynapseMNIST3D، وهي مستمدة من مجموعات بيانات تصوير سريرية حقيقية. لقد قارنّا طريقتنا مع الشبكات المصممة يدويًا الحديثة، وأطر AutoML، ودراسات NAS الحديثة من حيث أداء التنبؤ وتعقيد النموذج. تظهر طرق NAS المقترحة أداءً متفوقًا مقارنة بالشبكات المصممة يدويًا الحديثة وأطر AutoML. يحقق النموذج المقترح لدينا (Ours #3 ^) أعلى متوسط قيمة المساحة تحت المنحنى (AUC) 0.915 والدقة (ACC) 0.847 (أفضل نتيجة عبر ثلاث تجارب مستقلة)، متفوقًا على جميع الشبكات المصممة يدويًا وأطر AutoML. بالمقارنة مع الطرق الأخرى القائمة على NAS، تحقق جميع النماذج المقترحة قيم AUC متوسطة أعلى، ويجدر الذكر أنها لا تعتمد على تكبير البيانات أو ما قبل المعالجة أو اختيار الميزات، على عكس طرق NAS المنافسة التي تستخدم تكبير البيانات أثناء التدريب. كما تبرز الدراسة تخفيضات كبيرة في التعقيد الحاسوبي، حيث تم تقليل FLOPs حتى 45.51 مرة والمعاملات حتى 211 مرة مقارنة بنماذج ResNet. تكشف دراسة الإزالة أن ضبط النموذج المحسَّن لمجموعة بيانات واحدة يمكن أن يحقق نتائج تنافسية على مجموعات بيانات أخرى، لكن NAS المخصص لمجموعة البيانات ضروري لتحقيق الأداء الأمثل. مع ذلك، تتفوق نتائج الإزالة على ResNets وأطر AutoML من حيث متوسط AUC وACC. تختتم الدراسة بأن نهج NAS المقترح يحسِّن بفعالية بنى الشبكات العصبية لمهام تصنيف الصور الطبية ثلاثية الأبعاد المعقدة، محققًا أداءً متقدمًا دون تكبير البيانات.