تعداد بسیار زیادی نورون در مغز انسان موجود است که وظیفه پردازش اطلاعات و شناخت جهان اطراف را بر عهده دارند. به عبارت سادهتر میتوان گفت نورون های موجود در مغز انسان اطلاعات را از سایر نورون ها توسط دندرید ها میگیرند. سپس اطلاعات ورودی را با یکدیگر جمع نموده و در صورتی که مجموع آنها از یک حد آستانه بیشتر شود، سیگنال فعال گشته و از طریق آکسون ها به سایر نورون ها وصل میشود. شناخت تصویر در شبکه عصبی یکی از مهمترین مباحث علمی هستند که مطالعه آنها در دنیای امروزه بسیار رایج شده است.
در دهه های اخیر شاهد بوده ایم که توانایی پردازش داده ها و اطلاعات به وسیله کامپیوترها پیشرفت چشمگیری داشته است. توانایی تبدیل کلام به متن توسط گوشی های هوشمند و شناسایی اشیا در جاده ها توسط اتومبیل های خودران و جلوگیری از برخورد با آنها نمونه هایی از این موارد میباشد. شناخت تصویر در شبکه عصبی نیز یکی از این موفقیت ها است.
اساس کار تمامی این پیشرفتها شبکه عصبی می باشد. این شبکه ها اطلاعات ورودی را دریافت نموده و پس از عبور از لایه های سازمان یافته این اطلاعات را به خروجی بعدی خود انتقال می دهند.
این از آنجا نشات می گرد که این توانایی در طبیعت و به طور مشخص مغز انسان قابلیتی بسیار پیشرفته میباشد به همین رو دانشمندان دست به تقلید زیستی از این فرایند شبکه سازی برای اهداف خود کرده اند.
تاریخچه شبکه عصبی و شناخت تصویر در شبکه عصبی در علم پزشکی
اواخر سال 1980 بود که شبکه های عصبی در علم پزشکی ظهور کرده و به کار گرفته شدند. شبکه های عصبی که دارای دو نوع یادگیری با معلم و بدون معلم میباشند، هر دو به عنوان راه حل هایی موفقیت آمیز در پزشکی مورد استفاده قرار گرفتند.
تشخیص بیماری ای که امکان نتیجه گیری از دادههای فراوان به دست آمده از آن به صورت دستی وجود ندارد، از مهمترین کمک های شبکه عصبی به علم پزشکی میباشد. شبکه عصبی از جمله تکنولوژی هایی است که به شکلهای مختلف به پشتیبانی از خدمات پزشکی میپردازد. شناخت تصویر در شبکه عصبی علاوه بر کمک به پیشرفت درمان، موجب کاهش هزینه های ناشی از درمان، ارتباط موثر تر میان اطلاعات به دست آمده از شرایط بیمار، ارتقاء سطح کیفی خدمات بهداشتی و… میگردد.
حوزه پردازش تصویر و شناخت تصویر در شبکه عصبی در علم پزشکی بازه گسترده ای از کاربرد های گوناگون نظیر تشخیص دیابت چشمی با استفاده از تصاویر گرفته شده از شبکیه چشم، بخش بندی تصویرهای ام آر آی تهیه شده به منظور تشخیص وجود یا عدم وجود تومور در مغز انسان و… را در بر میگیرد.
اگر چه در گذشته برخی از روشهای تشخیص بیماری بر اساس استخراج ویژگی ها و اطلاعات از روی تصاویر پزشکی و به صورت کاملا دستی و با صرف وقت و انرژی فراوان به وسیله متخصصان صورت می پذیرفت، اما امروزه روشی جدید با هدف تشخیص و طبقه بندی تصاویر پزشکی بدون آن که نیازمند استخراج ویژگی ها به صورت دستی باشد و با به کارگیری شناخت تصویر در شبکه عصبی پایه گذاری شده است.
مزیت شناخت تصویر در شبکه عصبی در زمینه های پزشکی
مهمترین مزیت شناخت تصویر در شبکه عصبی، توانایی این شبکه ها در استخراج خودکار ویژگی های تصویر با به کارگیری مفهوم یادگیری عمیق میباشد. همین مزیت مهم موجب استفاده از شناخت تصویر در شبکه عصبی در سال های اخیر شده است.
به عنوان مثال در تشخیص بیماری رتینوپاتی دیابتی که از آن تحت عنوان دیابت چشمی نیز یاد میشود، رگ های شبکیه موجود در چشم بیمار در اثر بیماری دیابت به منظور خون رسانی بهتر نسبت به حالت معمولی خود گشادتر شده و تغییر شکل میدهند. شناخت تصویر در شبکه عصبی به منظور استخراج ویژگی های شبکیه چشم مورد استفاده قرار گرفته و مراحل پیشرفت بیماری با استفاده از این تصاویر معین میگردد.
تشخیص درست پولیپ ها در طی تصویر برداری کلونوسکپی، تشخیص خودکار رگ گرفتگی های ریوی، تصاویر سی تی اسکن، تشخیص سرطان سینه، تشخیص غدههای لنفاوی با استفاده از تصاویر سی تی اسکن، تشخیص غدههای لنفاوی شکمی، تشخیص خودکار آناتومی بدن و… از دیگر مزایای استفاده از شناخت تصویر در شبکه عصبی میباشد.
شناخت تصویر در شبکه عصبی علاوه بر موارد فوق الذکر، در زمینه اندازه گیری و بخش بندی تصاویر موجود در زمینه پزشکی نظیر بخش بندی لوزالمعده در تصاویر به دست آمده از اسکن توموگرافی، بخش بندی تصاویر گرفته شده از مغز کودکان، بخش بندی غشاء عصبی در تصاویر الکترومیکروسکوپی گرفته شده، بخش بندی تصاویر گرفته شده از غضروف های زانو در اسکن های ام آر آی، اندازه گیری ضخامت لایه عروق و رگ ها و…. نیز بسیار کاربرد دارد.
سر گذشت شبکه های عصبی و اساس کار شناخت تصویر در شبکه عصبی
همان گونه که پیشتر نیز اشاره کردیم، شبکه عصبی و شناخت تصویر در شبکه عصبی ایدهای جذاب و در عین حال قدیمی است. مفهوم اولیه شبکه عصبی را نخستین بار Frank Rosenblatt در مقالهای که در سال 1957 به چاپ رساند، تحت عنوان پرسپترون معرفی نمود. وی در سال 1958 موفق به طراحی سیستم اولیه آنالیز یک تصویر ساده و شناسایی اشکال هندسی شد.
اصلی ترین هدف Rosenblatt ساخت سیستمی پر کاربرد به منظور بخش بندی یا کلاس بندی تصاویر بود. این در حالی است که او علاقه فراوانی به درک بهتر کارکرد مغز از این راه بود. بعدها این علاقه Rosenblatt طرفداران زیادی را به خود جذب نمود!
هر نورون موجود در یک شبکه عصبی تابعی ریاضیاتی است که مجموعهای از ورودی های دارای وزن را پردازش میکند. لازم به ذکر است که در صورت بالا بودن وزن سیناپس، آن سیناپس خروجی نورون را به مقدار قابل توجه تری تحت تاثیر قرار میدهد. خروجی نورون به تابعی غیر خطی تحت عنوان تابع فعال ارسال میشود. این تابع توانایی مدل سازی پدیده های غیر خطی پیچیده را به شبکه میدهد.
در اینجا بخوانید:پرینت سه بعدی ؛خلق دوباره برای کمک به انسانها
یک شبکه با استفاده از تنظیم نمودن وزن سیناپس ها و بازخورد دریافت شده از عملکرد سیستم نسبت به ورودی های گوناگون موفق به یادگیری مدل میگردد. کلاس بندی صحیح تصاویر توسط شبکه موجب افزایش مقادیر وزن های موثر در جواب و کاهش دیگر وزنها می شود. در صورتی که کلاس بندی تصویر به اشتباه صورت بپذیرد، کلیه وزن ها برعکس خواهند شد.
نخستین شبکه های عصبی بدین شکل موفق به یادگیری شدند. اما گذشت زمان نشان داد که محدودیت های بسیاری در این شبکه ها وجود دارد. زیرا این شبکه ها تنها یک یا دو لایه آموزشی داشتند که در مواجهه با اطلاعات پیچیده پدیده های واقعی بسیار ناتوان و ناکارآمد عمل کردند. همین امر تاثیر بسیار مخربی بر محبوبیت این دسته از شبکه ها داشت.
با معرفی مفهوم پس انتشار در سال 1986 روشی عملی و بسیار کارآمد به منظور آموزش شبکه های عصبی عمیق به جهانیان معرفی شد.
تصور کنید تا متوجه اساس کار شناخت تصویر در شبکه عصبی شوید!
تصور کنید که شما مهندسی مشغول به کار در یکی از شرکت های فعال در زمینه ساخت نرم افزار هستید. از شما خواسته شده است که برنامه ای را با هدف تشخیص وجود یا عدم وجود هات داگ در یک تصویر طراحی نمایید!
بی شک شما کار را با یک شبکه عصبی اولیه آغاز میکنید. شبکه نام برده شده یک تصویر را به عنوان ورودی از کاربر دریافت نموده و عددی در بازه صفر و یک را به عنوان خروجی نشان میدهد. نمایش عدد یک به معنای وجود هات داگ در تصویر مورد نظر کاربر و نمایش عدد صفر به معنای عدم وجود هات داگ در آن تصویر میباشد.
شما به منظور آموزش شبکه و یاد دهی مدل به آن، تصاویر مختلفی را جمع آوری نموده و آنها را بر اساس وجود یا عدم وجود هات داگ نشانه گذاری میکنید. در گام بعد نخستین تصویر دارای هات داگ را به عنوان ورودی وارد شبکه نموده و شبکه نیز عدد 0.07 را به عنوان خروجی به شما تحویل میدهد. پاسخ به دست آمده اشتباه است. زیرا وجود هات داگ در تصویر عدد یک و یا عددی نزدیک به یک را میطلبد.
در اینجا بخوانید:حسگرهای زیستسنج ؛کلیدی برای پایش وضع سلامت
هدف پس از انتشار خطا تنظیم نمودن وزن های سیناپسی موجود در تصویر می باشد. این وزن ها باید به گونه ای تنظیم شوند که در صورت ورود مجدد همان تصویر به شبکه، شبکه موفق به نشان دادن عدد بیشتری در مقایسه با عدد قبلی در خروجی خود گردد. برای این منظور الگوریتمی طراحی شده است که به ارزیابی ورودی نورون ها در لایه های خروجی شبکه پرداخته و برای هر نورون موجود یک مقدار خطا تعریف میکند. این الگوریتم به صورت مرتب روند تنظیم وزن ها را از هر لایه تا لایه آخر تکرار می نماید.
پس انتشار خطا موفق شد که قابلیت شبکه های عصبی را بالا برده و بدین ترتیب طراحان به طراحی شبکه های پیچیده چند لایه ای پرداختند. ظهور شبکه های عمیق پس از این دوران، خبر از وجود دورانی طلایی در این زمینه داشت.
نتیجه گیری شناخت تصویر در شبکه عصبی
شبکه های عصبی با دارا بودن توانایی های منحصر به فرد نارسایی هی موجود در علم پزشکی را جبران کردند تا این بار هم علم مهندسی با یاری علم پزشکی بشتابد! شناخت تصویر در شبکهعصبی یکی از خدمات و فناوری ها در عرصه پزشکی میباشد.
شناخت تصویر در شبکهعصبی موجب کاهش چشمگیر هزینه ها در علم پزشکی شده و زمینه ای را فراهم ساخته است که پزشکان به بالاترین سطح دقت در تشخیص و تصمیم خود دست پیدا کنند. همچنین شناخت تصویر در شبکه عصبی موجب ساخت وسایل پزشکی کاربردی و کارا شد.
با وجود تاثیر بسیار زیاد شناخت تصویر در شبکه عصبی و تاثیرات فوق العاده آن در موفقیت علم پزشکی امید میرود که تعامل مهندسین و پزشکان با هدف برداشتن گام های موثر در زندگی بشر روز به روز بیشتر شود.