بازسازي تصاوير فوتوآكوستيك با استفاده از يادگيري عميق

كارشناسي ارشد

تصويربرداري فوتوآكوستيك(PA) روش تركيبي نوظهوري است كه جهت تشخيص و مرحله بندي بيماري هايي نظير تومور هاي سطحي استفاده مي شود. اين روش كنتراست نوري قوي تصويربرداري نوري را با رزولوشن فضايي بالاي تصويربرداري اولتراسوند تركيب مي كند. به دليل هندسه سنسور ها در دستگاه هاي PA دستي حال حاضر، تنها ميدان ديد محدودي در اختيار قرار مي گيرد كه اين محدوديت به همراه تضعيف نوري و اكوستيكي در بافت، توانايي بازسازي توزيع فشار اوليه را كه جهت كمي سازي بافت تحت تصويربرداري لازم است، محدود مي سازد. در اين پژوهش، رويكرد جديدي براي بازسازي توزيع فشار اوليه در بافت از داده هاي PA با ديد محدود ارايه شده است كه اين رويكرد مبتني بر يادگيري ماشين بوده و از شبكه هاي عصبي عميق، معماري هايي نظير U-net و شبكه هاي مولد رقابتي شرطي(cGAN) استفاده مي كند. داده هاي لازم براي اموزش اين شبكه ها و اعتبارسنجي اين رويكرد به صورت in-silico توليد شدند. نتايج، بهبود كمي و كيفي را نسبت به روش هاي مورد استفاده حال حاضر نظير الگوريتم معكوس كردن زماني(TR) و شبكه U-net، نشان مي دهد. همچنين علاوه بر استفاده از شبكه هاي cGAN براي اولين بار بر روي داده هاي فوتواكوستيك، بهبودي را نيز با استفاده از بلوك هاي باقيمانده براي اين شبكه ها پيشنهاد مي كنيم. انحراف معيار±ميانگين خطاي مطلق ويژگي هاي راديوميك از 28/0 92±/0 براي الگوريتم TR به 21/0 55±/0 براي الگوريتم U-net و به 1/0 33±/0 در استفاده از شبكه هاي cGAN كاهش مي يابد. ميانگين خطاي مطلق نرمالايز شده(NMAE) در استفاده از رويكرد cGAN نسبت به روش TR و U-net به ترتيب به تقريبا 84% و 17% كاهش مي يابد. همچنين با اموزش شبكه ها بر روي دادگان نويزي با سطوح مختلف نويز گوسي، رويكرد cGAN پيشنهادي نسبت به دو شبكه ديگر cGAN بررسي شده (شبكه اصلي و شبكه اصلاح شده) داراي حداقل و حداكثر بهبود خطاي جذر ميانگين مربعات نرمالايز شده(NRMSE) به ترتيب 10% و 15% و حداقل و حداكثر بهبود بيشينه سيگنال به نويز به ترتيب 2% و 4% مي باشد.

194059

دانشگاه علم و صنعت ايران

مهندسي پزشكي - بيوالكتريك

دكتر حميد بهنام