در حوزه کاربردهایتقارن عمیقدربخش بندی تصاویر پزشکی، به کارگیری روش های پیشرفتهیادگیری عمیقاز اهمیتحیاتی برخوردار است. یادگیری ماشینبه دستاوردهایی در حوزههای مختلف دست یافته است که کارایی آن به ویژه در زمینه بخش بندی تصاویر در حوزهسلامت پزشکیقابل توجه است. ادغام یادگیری عمیق با بخش بندی تصویر، امکانتجزیه و تحلیل بلادرنگمجموعه دادههای حجیم و پیچیده را فراهم میکند که منجر به کسب بینش هایی می گردد که به طور معناداریسلامت وبازده عملیاتیدر این صنعت را افزایش میدهند. اینمرور نظام مند ادبیات، به طور جامع به بررسی جدیدترین راهکارهای یادگیری عمیق برای چالشهای موجود در حوزه سلامت پزشکی میپردازد، با تأکید ویژه بر کاربردهای تقارن عمیق در بخشبندی تصویر. با دسته بندی رویکردهای پیشرو یادگیری عمیق در دسته های مجزا شاملشبکه های عصبی کانولوشنی،شبکه های عصبی بازگشتی،شبکه های تخاصمی مولد،مدل های حافظه بلند-کوتاه مدتومدلهای ترکیبی، این مطالعه به کاوش در اصول بنیادین، مزایا، محدودیتها، روششناسی ها، محیط های شبیه سازی و مجموعه داده های آنها می پردازد. شایان ذکر است که اکثر مقالات مورد بررسی در سال ۲۰۲۱ منتشر شده اند که بر ماهیت contemporaneous این پژوهش تأکید دارد. افزون بر این، این مرور، پیشرفت های نهایی فنی در تکنیک های یادگیری عمیق و کاربردهای عملی آنها در قلمرو بخش بندی تصویر را برجسته می کند و همزمان چالش هایی که مانع از استقرار گسترده یادگیری عمیق در بخش بندی تصویر در حوزه های سلامت پزشکی می شوند را مورد توجه قرار می دهد. این بینش های کسب شده، انگیزه های قانع کنندهای برای مطالعات آینده با هدف پیشرفت progressive بخش بندی تصویر در پژوهش های سلامت پزشکی فراهم می آورند. معیارهای ارزیابی به کاررفته در مقالات مورد بررسی، طیف گستردهای از ویژگی ها از جملهدقت،حساسیت،ویژگی،امتیاز اف،تأخیر،سازگاریومقیاس پذیریرا در بر می گیرند.
Amiri Z, Heidari A, Jafari Navimipour N, Esmaeilpour M. Deep Symmetry Applications in the Segmentation of Images in Medical Healthcare. 3 2025; 4 (8) URL: http://jiis.iauh.ac.ir/article-1-52-fa.html
