بخش‌بندي كبد در تصاوير سي‌تي‌اسكن و ام‌آرآي با استفاده از يادگيري عميق

كارشناسي ارشد

استخراج خودكار كبد از تصاوير سي¬تي¬اسكن يا تصاوير ام‌آر‌آي¬ به دليل شكل ناهمگن و نزديكي به ساير ارگان¬ها يك كار چالش برانگيز است. در سال‌هاي اخير، شبكه¬هاي مبتني بر يادگيري، در بخش¬بندي تصاوير پزشكي، به عملكرد پيشرفته¬اي دست يافته‌اند. در بين شبكه¬هاي موجود، U-Net موفقيت¬هاي بسياري در بخش¬بندي تصاوير پزشكي ثبت كرده است. در اين پژوهش الگوريتمي ارايه شده¬ است تا به بخش¬بندي دقيقي از اندام كبد دست يابيم. در اين الگوريتم ابتدا تصاوير با يك شبكه كلاس¬بندي بررسي مي¬شوند تا تصاوير داراي اندام كبد و بدون كبد از هم جدا شوند، سپس تصاويري كه شامل اندام كبد هستند، با شبكه بخش¬بندي آناليز مي¬شوند تا كبد بخش¬بندي شود. شبكه بخش¬بندي مورد استفاده بر مبناي U-Net مي¬باشد، كه در آن از مزاياي كاملU-Net ، ConvLSTM ، لايه¬هاي كانولوشني متراكم ، بلوك¬هاي بازگشتي و باقي¬مانده استفاده شده¬است. در مسير فشرده‌سازي و توسعه بلوك¬هاي R2Conv جايگزين بلوك¬هاي كانولوشني معمولي شده-است، تا شبكه انتزاعات بيشتري از ويژگي¬هاي ورودي آموزش ببيند و همچنين از اثر محوشدگي گراديان جلوگيري شود. از مكانيزم لايه¬هاي كانولوشني متراكم در آخرين لايه كانولوشني مسير فشرده‌سازي استفاده شده¬است، اين ايده با اجازه انتشار جريان اطلاعات از طريق شبكه و استفاده مجدد از ويژگي¬ها ، قدرت بازنمايي شبكه را بهبود مي¬بخشد، براي تركيب نقشه‌هاي ويژگي استخراج شده از مسير فشرده‌سازي مربوطه و لايه توسعه پيشين به جاي يك الحاق ساده در مسير اتصال پرش U-Net، از ConvLSTM استفاده شده-است. در نهايت الگوريتم ارايه شده بر روي داده¬هاي منتشر شده در چالش CHAOS 2019[4] آزمايش شده است و مقدار دايس 97.5 براي تصاوير سي‌تي‌اسكن بدست آمده¬است.

193810

دانشگاه علم و صنعت ايران

بيوالكتريك

دكتر حميد بهنام