بخش بندي در تصاوير بافت شناسي به كمك يادگيري عميق

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

تشخيص سرطان در مراحل اوليه، در پيش آگهي بهتر بيمار و برنامه ريزي درماني مفيد است. اگرچه چندين آزمايش اوليه و روش هاي غيرتهاجمي براي تشخيص سرطان اندام هاي مختلف وجود دارد، ولي مطالعه آسيب شناسي بافتي در اين زمينه اجتناب ناپذير است و استاندارد طلايي در تشخيص سرطان محسوب مي شود. در اين مطالعات، از اندام بيمار نمونه برداري مي شود و بافت مورد نظر زير ميكروسكوپ بررسي مي شود. در دهه هاي اخير، با ظهور اسكنر هاي ديجيتال، عمليات ديجيتالي شدن اسلايد‌هاي بافت‌شناسي آسان گرديده و يكي از روش هاي مورد استفاده توسط بافت شناسان است. تصاوير ايجاد شده توسط اين اسكنر ها به كمك رايانه قابل پردازش است و اطلاعات مفيدي در اختيار بافت شناسان قرار مي دهد. از آن جايي كه پردازش اين تصاوير به صورت دستي كاري زمان بر است، روش هاي يادگيري ماشين در اين حوزه براي استخراج اطلاعات از تصاوير بافت شناسي ارائه مي شوند. بخش بندي هسته هاي سلولي تصاوير بافت شناسي مي تواند ويژگي هاي با كيفيت بالا را براي بررسي شكل هسته و تجزيه و تحليل هاي ديگر در اختيار بافت شناس قرار دهد. در سال هاي اخير با توجه به پيشرفت يادگيري عميق در حوزه ي پزشكي، يكي از روش هاي يادگيري كه براي تصاوير بافت شناسي استفاده مي شود، روش هاي مبتني بر شبكه هاي عصبي عميق است. به دليل پيچيدگي شكلي هسته هاي بافت شناسي، توسعه ي روشي دقيق و كارآمد در حوزه ي شبكه هاي عصبي عميق براي بخش‌بندي هسته هاي سلولي تصاوير بافت شناسي، كاري چالش برانگيز است. هسته هاي همپوشاني شده و كمبود داده هاي برچسب دار از جمله چالش هاي موجود در بخش بندي هسته ها در تصاوير بافت شناسي است. در اين تحقيق به منظور برطرف كردن چالش هسته‌هاي همپوشاني شده، روش هايي مبتني بر بخش بندي به كمك شبكه هاي عصبي كانولوشني ارائه شده اند. همچنين به منظور رفع چالش كمبود داده هاي برچسب دار، روش افزايش داده اي مبتني بر شبكه هاي مولد متخاصم استفاده شده است. با مقايسه ي نتايج بدست آمده از روش هاي ارائه شده، برتري اين روش ها نسبت به روش هاي ديگر مورد بررسي قرار گرفته است.

214665

هوش مصنوعي

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان

شادرخ سماوي

محمدعلي خسروي فرد، رسول اميرفتاحي

نادر كريمي