حوزه پردازش تصاویر پزشکی بازه وسیعی از کاربردها از تشخیص دیابت چشمی از روی تصاویر شبکیه چشم تا بخش ­بندی تصاویر MRI جهت تشخیص تومورهای مغر انسان را در بر می ­گیرد. نگرش­ های متعدد دسته­ بندی و خوشه ­بندی مبتنی بر یادگیری ماشین در مقالات جهت بهبود دقت در غربال­گری بیماری­ ها ارائه شده است. بعضی از این روش­ ها مبتنی بر استخراج ویژگی­ ها از روی تصاویر پزشکی به ­صورت دستی بوده و توسط متخصصین پردازش تصویر با صرف زمان و انرژی زیاد، صورت می­ پذیرد. در سال­ های اخیر روشی جدید برای تشخیص و طبقه ­بندی تصاویر پزشکی بدون نیاز به استخراج ویژگی­ ها به­ صورت دستی، مبتنی بر شبکه­ های عصبی کانولوشن ارائه شده است. این دسته از شبکه­ های عصبی که مبتنی بر فرآیند یادگیری عمیق ارائه شده ­اند نسبت به شبکه ­های عصبی معمولی به علت داشتن لایه­ های کانولوشن و مخفی بیشتر در زمینه کار با ورودی ­های با ابعاد بالاتر مانند تصاویر دارای توانمندی بیشتری هستند. یک معضل جدی در آموزش یک شبکه عصبی کانولوشن با یادگیری عمیق، به موضوع آموزش آنها از ابتدا باز می­ گردد این معضل ناشی از کمبود داده ­های طبقه­ بندی شده جهت آموزش و زمان­ بر بودن فرآیند آموزش تا یک همگرایی مناسب است. بنابراین یک روش متداول برای آموزش شبکه­ های عصبی کانولوشن بر روی داده ­های پزشکی، بر اساس باز تنظیم شبکه ­های از پیش آموزش یافته، می ­باشد. برخی از مهمترین و نیرومندترین شبکه­ های عصبی کانولوشن که بر روی بانک­ های اطلاعات تصاویر، نظیر بانک اطلاعات تصاویر ImageNet با بیش از یک میلیون تصویر، آموزش دیده ­اند شامل شبکه سیفارنت (CifarNet)، الکس­نت (AlexNet) و گوگل­نت(GoogleNet) است. که جهت بازتنظیم آنها در تشخیص تصاویر پزشکی با کاربردهای خاص و با تعداد محدودی از تصاویر، می ­توان بهره برد.

کلمات کلیدی