قسمتی از متن ترجمه مقاله استواری و قابلیت اطمینان شبکه های عصبی کانولوشن در تشخیص ضایعات پیگمانته پوست
- چکیده
- 1- مقدمه
- 2- مواد و روش ها
- 1-2 طرح تحقیق و مطالعه
- 2-2 مجموعه داده ها
- 3-2 پیشرفت و بسط طبقه بندی کننده
- 4-2 روش هایی برای کاهش شکنندگی و عدم انعطاف
- 5-2 آنالیز و تحلیل
- 3- نتایج
- 1-3 عملکرد پایه و مبنا و شکنندگی (عدم انعطاف)
- 2-3 اثربخشی روش های امتحان شده روی تغییرات مصنوعی
- 3-3 اثربخشی روش های تست و امتحان شده روی تغییرات طبیعی
- 4- بحث و گفتگو
- 1-4 کاربردها و مفاهیم عملی
- 2-4 محدودیت ها
- 5- نتیجه گیری
- منابع
- Abstract
- Keywords
- Introduction
- Materials and methods
- Results
- Discussion
- Conclusions
- Role of the funding source
- CRediT authorship contribution statement
- Conflict of interest statement
- Supplementary data
- References
- Article Info
- Figures
- Related Articles
پیش زمینه: نیاز اساسی برای سیستم های آنالیز تصویر مبتنی بر هوش مصنوعی (AI)، که می بایستی در طب بالینی ادغام شوند، از استواری و قابلیت اطمینان بالایی برخوردار است. تغییرات جزئی و اندک در نحوه ی بدست آوردن آن تصاویر، برای مثال، در طول غربالگری روتین سرطان پوست، نباید تشخیص چنین سیستم های کمکی را تغییر دهد.
هدف: هدف کمی سازی و سنجش این است که درهم ریختگی ها و تغییرات جزئی تصویر تا چه میزان طبقه بندی ضایعه ی پوستی به واسطه ی شبکه ی عصبی پیچشی یا کانولوشن (CNN) را تحت تأثیر قرار می دهند و همچنین بررسی سه راه حل ممکن و عملی برای این مشکل است (داده افزایی اضافی، افزایش زمان تست، خوشنماسازی).
روش ها: ما سه معماری رایج و متداول CNN را برای ایجاد تمایز بین تصاویر درموسکوپی ملانوما یا خال سرطانی و خال های مادرزادی تمرین کرده و به کار بردیم. متعاقبا، عملکرد و حساسیت آنها نسبت به تغییرات جزئی (شکنندگی و عدم انعطاف) بر روی دو مجموعه ی امتحانی متمایز با تصاویر متعدد برای هر ضایعه تست و امتحان شد. برای مجموعه ی نخست، تغییرات تصاویر، مثل چرخش یا بزرگنمایی (زوم)، به صورت مصنوعی ایجاد شدند. مجموعه ی دوم تغییرات طبیعی را در بر میگرفت که از چندین عکس گرفته شده از همان ضایعات ناشی می شدند.
نتایج: تمامی معماری ها شکنندگی و عدم انعطاف در مجموعه امتحانی مصنوعی و طبیعی را نشان دادند. سه روش بررسی شده قادر به کاهش شکنندگی و عدم انعطاف تا درجات مختلف بودند درحالی که همچنان عملکرد را حفظ می کردند. ارتقا و بهبود دیده شده برای مجموعه امتحانی مصنوعی بیشتر از طبیعی بود، جایی که پیشرفت ها جزئی و اندک بودند.
نتیجه گیری: تغییرات جزئی تصاویر، نسبتا نامشخص برای انسان ها، می توانند روی استواری و قابلیت اطمینان شبکه های عصبی پیچشی (CNNs) متمایز کننده ی ضایعات پوستی تأثیرگذار باشند. این تأثیر را می توان از طریق روش هایی که در اینجا تست و امتحان شده اند کاهش داد، اما نمی توان آن را کاملا حذف و برطرف کرد. لذا، تحقیقات بیشتر به منظور حفظ و تقویت عملکرد طبقه بندی کننده های (جداکننده های) هوش مصنوعی (AI) در جهت تسهیل انتقال چنین سیستم هایی به کلینیک و درمانگاه مورد نیاز می باشد.
کلمات کلیدی: هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و ژرف، شبکه های عصبی، درماتولوژی یا پوست شناسی، نئوپلاسم های پوست، ملانوما یا خال سرطانی، خال مادرزادی
Background
A basic requirement for artificial intelligence (AI)–based image analysis systems, which are to be integrated into clinical practice, is a high robustness. Minor changes in how those images are acquired, for example, during routine skin cancer screening, should not change the diagnosis of such assistance systems.
Objective
To quantify to what extent minor image perturbations affect the convolutional neural network (CNN)–mediated skin lesion classification and to evaluate three possible solutions for this problem (additional data augmentation, test-time augmentation, anti-aliasing).
Methods
We trained three commonly used CNN architectures to differentiate between dermoscopic melanoma and nevus images. Subsequently, their performance and susceptibility to minor changes (‘brittleness’) was tested on two distinct test sets with multiple images per lesion. For the first set, image changes, such as rotations or zooms, were generated artificially. The second set contained natural changes that stemmed from multiple photographs taken of the same lesions.
Results
All architectures exhibited brittleness on the artificial and natural test set. The three reviewed methods were able to decrease brittleness to varying degrees while still maintaining performance. The observed improvement was greater for the artificial than for the natural test set, where enhancements were minor.
Conclusions
Minor image changes, relatively inconspicuous for humans, can have an effect on the robustness of CNNs differentiating skin lesions. By the methods tested here, this effect can be reduced, but not fully eliminated. Thus, further research to sustain the performance of AI classifiers is needed to facilitate the translation of such systems into the clinic.
مقدمه
طبقه بندی تصویر مبتنی بر هوش مصنوعی (AI) از طریق شبکه های عصبی پیچشی (CNNs) از پتانسیلی برخوردار است تا به پزشکان بالینی با کار تشخیص مبتنی بر معاینه ی چشمی ضایعات احتمالا بدخیم کمک کند. در موقعیت های امتحانی و آزمایشی، شبکه های عصبی پیچشی (کانولوشن) (CNNs) به عملکردهایی در کار طبقه بندی تصاویر پزشکی دست یافته اند که همتراز و معادل با نتایج بدست آمده توسط کارشناسان و متخصصان انسان ها بوده یا حتی از آن ها فراتر رفته بودند ]1-4[. شبکه های عصبی پیچشی به طور ویژه نتایج نویدبخش و امیدوارکننده ای را در طبقه بندی ضایعه پوستی ماکروسکوپی و میکروسکوپی به صورت جداگانه ]5-12، 44، 45[ و به عنوان سیستم های کمکی برای درماتولوژیست ها ]13-16[ نشان داده اند. و مادامیکه این سیستم ها تا به حال در اکثر موارد نتوانسته اند تغییرات بدخیم مربوط به انکولوژی و غددشناسی را به دلیل فقدان داده های آموزشی و طبقه بندی شده ی آتی پیش بینی کنند ]47[، اما همچنان در عمل استفاده می شوند. در واقع، سیستم های مبتنی بر شبکه های عصبی پیچشی (CNN) به عنوان ابزارهای غربالگری سرطان پوست، برای مثال، به عنوان یک سیستم تشخیص با کمک رایانه (CAD) مورد تأیید بازار به تدریج وارد طب بالینی درماتولوژی شده اند ]17[، که عملکرد عالی و برتر آن نسبت به سیستم های CAD متداول تر را نشان داده است.
مادامی که آنالیز تصویر مبتنی بر CNN با توجه به استخراج ویژگی عینی و کمی برای معاینه و مشاهده ی انسانی مزیت هایی دارد، یک ایراد و اشکال واضح و مشهود آن این است که برخلاف متخصصان و کارشناسان انسانی، شبکه های عصبی پیچشی در متمایز کردن ویژگی های بیولوژیکی مهم و قابل توجه از ویژگی های بی اهمیت و مصنوعات مشکل دارند. بسته به مجموعه داده هایی که برای آموزش و تمرین شبکه عصبی پیچشی مورد استفاده قرار می گیرد، همبستگی های کاذب و ناخواسته درون مجموعه ی آموزشی را می توان برداشت و مانع کلیت بخشی و تعمیم شد ]19، 20، 46[. علاوه بر این، تصاویر ورودی به طرز عجیب و فریبنده ایجاد شده که به طور مشخص برای فریب دادن یک شبکه عصبی پیچشی طراحی شده اند (حملات تخاصمی) یک تهدید واقعی را مطرح کرده و نشان داده اند. ]21[. هر دو نقطه ضعف و کاستی برای شبکه های عصبی پیچشی در حوزه ی درماتولوژی نیز اعمال می شوند ]22-25[.
دیگر نقطه ضعف و کاستی مشاهده شده شکنندگی و عدم انعطاف شبکه های عصبی پیچشی (CNNs) مدرن و جدید در آنالیز و تحلیل تصویر می باشد. شکنندگی و عدم انعطاف در این زمینه به پدیده ای اشاره می کند که تغییرات کوچک در تصویر ورودی، مثل مقیاس گذاری یا چرخش، می توانند تأثیر بزرگ و زیادی روی طبقه بندی شبکه عصبی پیچشی (CNN) داشته باشند. بنابراین، با حملات تخاصمی فرق می کند، زیرا تغییرات تصویر به منظور فریب دادن شبکه عصبی پیچشی طراحی نشده اند، بلکه بازتاب نوسانات و تغییرات در گرفتن تصویر هستند که در روال عادی و روتین بالینی روزانه رخ می دهند. آسیب پذیری حاصل از ابزارهای مبتنی بر هوش مصنوعی (AI) با این فرض در تناقض بوده و مغایرت دارد که شبکه های عصبی پیچشی در برابر تغییرات کوچک پایدار و ثابت هستند و در جامعه ی یادگیری ماشین بیان شده است ]24-28[. از آنجا که فقدان استواری و قابلیت اطمینان و پایایی ممکن است تأثیرات خیلی منفی و مخربی روی یک موقعیت بالینی داشته باشد، می بایست برای تسهیل انتقال موفق ابزارهای تشخیصی مبتنی بر هوش مصنوعی (AI) به مراقبت های بالینی روتین بر این اثرات منفی غلبه کرد.
در این مطالعه، ما شکنندگی و عدم انعطاف سه معماری رایج و متداول شبکه عصبی پیچشی (CNN) را ارزیابی می کنیم، که می توان آن ها را به عنوان پشتیبان های سیستم های تشخیصی مبتنی بر شبکه عصبی پیچشی از طریق آزمایش و امتحان روی تصاویری به کار برد که دستخوش تغییرات شده اند، که تغییراتی را مدل سازی می کنند که ممکن است به هنگام عکس برداری از ضایعات پوستی مشکوک توسط درماتولوژیست ها رخ دهند. علاوه براین، ما سه تکنیک و روش ممکن و مناسب (داده افزایی، افزایش زمان تست و امتحان، شبکه های ضد پله پله شدگی و خوشنماسازی) را با توجه به اثربخشی که در حل مشکل شکنندگی و عدم انعطاف CNN دارند مورد بررسی و ارزیابی قرار می دهیم.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.