محققان در جدیدترین پژوهش خود، متد «SparseContrast» را معرفی کردهاند که یادگیری کنتراستیو (Contrastive Learning) را برای تحلیل تصاویر پزشکی، بهویژه عکسهای رادیولوژی قفسه سینه، بهینه میکند.
چالش اصلی در مدلهای فعلی، پردازش حجم عظیمی از دادههای غیرضروری در تصاویر است که هم کند است و هم منابع زیادی مصرف میکند. SparseContrast با استفاده از یک «مکانیزم توجه پراکنده» (Sparse Attention) هوشمند، دقیقاً روی بخشهایی از تصویر تمرکز میکند که برای تشخیص بیماری حیاتی هستند.
نتایج فوقالعاده این تحقیق:
✅ افزایش سرعت آموزش و استنتاج تا ۴۰٪!
✅ افزایش دقت در تشخیص بیماریها با تمرکز بر نواحی کلیدی.
✅ قابل اجرا بر روی انواع مدلهای Transformer و CNN.
این روش یک گام بزرگ برای مراکز درمانی با منابع محدود است تا بتوانند با قدرت محاسباتی کمتر، تشخیصهای دقیقتری داشته باشند. 🏥💡
منبع: arXiv Computer Vision