روند فنی و معماری مدل
در این پروژه، الگوریتم قطعهبندی عروق شبکیه بر پایه معماری Federated U-Net و به صورت توزیعشده روی کلاینتهای مستقل پیادهسازی شده است. مراحل اصلی شامل موارد زیر است:
- پیشپردازش تخصصی تصویر: لایه سفارشی
PreprocessingLayerشامل الگوریتم بهبود کنتراست موضعی (CLAHE)، عملیات ریختشناسی چندمقیاسه (MSMO)، تحلیل مؤلفههای اصلی (PCA) و نرمالسازی عمومی جهت یکنواختسازی دامنه ورودی کلاینتها. - معماری شبکه: استفاده از انکودر پیشآموخته
EfficientNetB0برای استخراج ویژگیهای عمیق، همراه با بلوکهای توجه دوگانه کانالی و مکانیCBAMدر مسیر رمزگشایی جهت بهبود تمرکز روی ساختارهای باریک عروقی. - نرمالسازی فدرال: بهکارگیری لایه سفارشی
FederatedNormalizationبه جای Batch Normalization استاندارد برای جلوگیری از اختلال در آمارهای میانگین و واریانس بین کلاینتها. - الگوریتم یادگیری فدرال: پیکربندی ۴ کلاینت مجزا بر روی مجموعهدادههای CHASE-DB1، DRIVE، FIVES و STARE با تابع زیان
FedProxLossجهت جریمهسازی انحراف مدلهای محلی از مدل سراسری.
نتایج
دستاوردها و نتایج کلیدی
سامانه طراحیشده موفق به همگرایی پایدار و قطعهبندی دقیق عروق شبکیه بدون اشتراکگذاری دادههای خام گردید:
- افزایش داده موثر: ارتقای ۴ برابری حجم دادههای آموزش محلی برای کلاینتهای کمتصویر (CHASE-DB1، DRIVE و STARE) از طریق تکنیکهای چرخش هندسی.
- ارزیابی جامع متقاطع: سنجش عملکرد مدل نهایی روی ۴ مجموعه تست مجزا با معیارهای ارزیابی متعدد از جمله Dice Coefficient, Binary Mean IoU, F1 Score, Sensitivity, Specificity و MCC.
- خط لوله استنتاج (Inference): پیادهسازی تابع ارزیابی اتوماتیک و ماژول پیشبینی تصویر منفرد و پوشهای با تولید ماسکهای باکیفیت خروجی.
