بخش‌بندي خودكار بافت و تومور در تصاوير سي‌تي كليه با استفاده از روش Attention Based در يادگيري عميق

كارشناسي ارشد

سرطان كليه يكي از ده سرطان شايع در انسان است. بروز تومورهاي كليه خصوصا تومورهاي كوچك و موضعي كه اغلب به طور اتفاقي كشف مي¬شوند در حال افزايش است. شناسايي و بخش‌بندي تومورهاي خوش¬خيم و بدخيم در تصاوير پزشكي اغلب دشوار است؛ اما درنهايت بيشتر تومورهاي كليه بدخيم تشخيص داده مي‌شوند. پزشكان عمدتا براي تشخيص محل دقيق تومور به تصاوير CT متكي هستند. بخش‌بندي معنايي مي‌تواند ابزاري مفيد براي توصيف كمي تومورها و كليه¬ها باشد. بخش‌بندي تصاوير به‌صورت دستي فرايندي بسيار وقت‌گير است؛ بنابراين، يك روش بخش‌بندي خودكار يا نيمه‌خودكار به‌منظور افزايش دقت و سرعت در بخش‌بندي بافت كليه موردنياز است كه به كمك يادگيري عميق مي‌توان به آن دست‌يافت. در اين مطالعه براي بخش‌بندي كليه و تومور كليه از مدلي مبتني بر U-Net دوبعدي و ماژول Attention Based استفاده شده است. يك مجموعه براي آموزش شبكه كه شامل 200 تصوير CT مقطعي با تومورهاي كليه و برچسب‌هاي مربوطه از چالش KITS19 به‌عنوان داده¬هاي اين پژوهش مورداستفاده قرار گرفته است. 138 تصوير براي آموزش شبكه، 19 تصوير براي ارزيابي و 41 تصوير بعنوان داده‌هاي آزمايشي مورد استفاده قرار گرفت. پس از مراحل پيش‌پردازش يك شبكه U-Net دوبعدي براي تشخيص كليه آموزش داده شد. پس از آن با استفاده از تصوير كليه استخراج شده از شبكه U-Net، يك شبكه U-Net Attention based براي تشخيص تومور آموزش داده شد. پس از بخش‌بندي كليه و تومور براي 41 داده آزمايشي، ميانگين ضريب دايس كليه 94/0، صحت 95/0، ويژگي 95/0، IOU90/0، يادآوري 94/0 و حساسيت 94/0 به‌دست‌آمده است و نتايج مربوط به تومور با ميانگين ضريب دايس 79/0، صحت 85/0، ويژگي 84/0، IOU 72/0، يادآوري 80/0 و حساسيت 80/0 به دست آمد. نتايج به‌دست‌آمده نشان مي‌دهد كه مدل پيشنهادي عمل‌كرد مطلوبي براي بخش‌بندي بافت كليه و تومور دارد.

227670

دانشگاه اصفهان

مهندسي پزشكي- بيوالكتريك

عليرضا كريميان