بهبود تشخیص ناحیه جراحت hifu از طریق یادگیری نظارت‌شده و خودنظارتی متضاد با استخراج ویژگی مبتنی بر موجک و نمونه‌های منفی سخت (hwcssl)

مقدمه: هوش مصنوعی با بهره‌گیری از الگوریتم‌های یادگیری ماشین، حوزه‌های مختلف از جمله طبقه‌بندی، تشخیص و پیش‌بینی را متحول کرده است که هدف آن ارتقای کیفیت زندگی و خدمات می‌باشد. روش‌های سنتی مبتنی بر ویژگی‌های دستی، در وظایف پیچیده مانند تشخیص پزشکی با محدودیت‌هایی مواجه هستند، از جمله ناتوانی در استخراج بهینه ویژگی‌ها و حساسیت به نویز. پیشرفت شبکه‌های عصبی عمیق با توانایی استخراج خودکار ویژگی‌ها، تحلیل داده‌ها را متحول کرده است. این مطالعه از این قابلیت برای تشخیص جراحت ناشی از اولتراسوند متمرکز با شدت بالا (hifu)  استفاده می‌کند، تکنیکی که برای درمان سرطان و کنترل خونریزی توسعه یافته است. رویکرد پیشنهادی مبتنی بر یادگیری نظارت‌شده و خودنظارتی است که با استفاده از داده‌های برچسب‌دار و بدون برچسب، دقت تشخیص را بهبود می‌بخشد.روش کار: چالش اصلی روش‌های سنتی، استخراج بهینه ویژگی‌ها و بهینه‌سازی فراپارامترهاست. در این پژوهش، روشی نوآورانه با ترکیب یادگیری نظارت‌شده، خودنظارتی متضاد توسعه داده شد. این روش از سیگنال‌های rf و تصاویر b-mode به‌عنوان ورودی استفاده می‌کند و داده‌های برچسب‌دار و بدون برچسب را به‌صورت همزمان پردازش می‌کند. همچنین، تکنیک‌های افزایش داده مانند تبدیل‌های موجک و نمونه‌های منفی سخت به کار گرفته شدند و بهینه‌سازی مدل با استفاده از الگوریتم‌های پیشرفته و تنظیم دقیق فراپارامترها انجام شد تا عملکرد مدل در شرایط پیچیده تقویت شود. این رویکرد امکان تحلیل هم‌زمان داده‌های چندگانه را فراهم کرد و به افزایش دقت تشخیصی کمک نمود.یافته‌ها: مدل پیشنهادی بهبود قابل‌توجهی در طبقه‌بندی جراحت hifu نشان داد. معیارهای ارزیابی شامل دقت، صحت، یادآوری و امتیاز f1، کارایی مدل در تمایز بین بافت‌های سالم و آسیب‌دیده را تایید کردند. ترکیب سیگنال و تصویر به بهبود چشمگیر عملکرد مدل منجر شد. استفاده از یادگیری خودنظارتی و تبدیل‌های موجک، توانایی مدل در استخراج ویژگی‌ها, را تقویت کرد و دقت تشخیصی را افزایش داد.نتیجه‌گیری: این مطالعه چارچوبی دقیق برای تشخیص جراحت hifu با استفاده از یادگیری خودنظارتی ارائه کرد که امکان استخراج اطلاعات ارزشمند از داده‌های بدون برچسب را فراهم نمود و دقت تشخیصی را به‌طور قابل‌توجهی بهبود بخشید. این روش با غلبه بر چالش‌های تصویربرداری پزشکی، به‌ویژه در درمان‌های غیرتهاجمی، کاربردهای بالینی را تقویت می‌کند که می‌تواند به‌عنوان پایه‌ای برای توسعه ابزارهای تشخیصی پیشرفته‌تر در آینده عمل کند.

enhancing hifu lesion area detection through supervised and contrastive self-supervised learning with wavelet-based feature extraction and hard negatives (hwcssl)

introduction: artificial intelligence (ai) has brought about transformative changes across multiple domains including classification, detection, and prediction through the implementation of sophisticated machine learning algorithms, with the ultimate objective of enhancing quality of life and service delivery. conventional approaches that rely on manually engineered features encounter significant limitations when applied to complex tasks such as medical diagnosis, particularly in terms of suboptimal feature extraction capabilities and heightened sensitivity to noise interference. the emergence of deep neural networks, with their inherent capacity for automated feature extraction, has revolutionized contemporary data analysis methodologies. the current study leverages this technological advancement for the detection of lesions generated by high-intensity focused ultrasound (hifu), an innovative therapeutic technique developed for oncological treatment and hemorrhage management. the proposed methodology integrates both supervised and self-supervised learning paradigms to enhance detection accuracy by effectively utilizing both labeled and unlabeled clinical datasets.method: a key challenge in traditional methods lies in optimal feature extraction and hyperparameter tuning. this research develops an innovative framework integrating supervised and contrastive self-supervised learning. the model processes both rf signals and b-mode images as inputs, simultaneously handling labeled and unlabeled data. data augmentation techniques, including wavelet transforms and hard negative sampling were employed. model optimization was achieved through advanced algorithms and fine-tuned hyperparameters to enhance performance in complex scenarios. this approach enabled concurrent analysis of multimodal data, improving diagnostic accuracy.results: the proposed model demonstrated substantial improvements in hifu-induced lesion classification performance. quantitative evaluation metrics, including accuracy, precision, recall, and f1-score, consistently validated the model’s efficacy in discriminating between healthy and pathological tissue regions. the multimodal integration of signal processing and image analysis components yielded remarkable enhancements in overall system performance. the incorporation of self-supervised learning algorithms coupled with wavelet transform techniques substantially augmented the model’s feature extraction capabilities, resulting in superior diagnostic accuracy compared to conventional approaches.conclusion: this investigation presents a robust and precise framework for hifu lesion detection that effectively employs self-supervised learning methodologies. the developed system successfully extracts clinically relevant information from unlabeled datasets while achieving significant improvements in diagnostic reliability. by addressing critical challenges in medical imaging applications, particularly in non-invasive therapeutic interventions, this approach demonstrates considerable potential for enhancing clinical workflows. the proposed methodology establishes a foundational platform for the future development of advanced diagnostic tools in therapeutic ultrasound applications.