بخش بندي تصاوير اندام‌هاي شكمي با استفاده از روش‌هاي يادگيري عميق

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

بخش‌بندي تصاوير پزشكي يكي از حوزه‌هاي كليدي در پردازش تصوير است كه با هدف تفكيك و مرزبندي قسمت‌هاي مختلف تصوير براي كاربردهاي پزشكي انجام مي‌شود. نتايج فرآيند بخش‌بندي پزشكي اهميت بالايي دارد زيرا مي‌تواند منجر به تشخيص دقيق‌تر بيماري‌ها و بهبود فرآيندهاي درماني شود. اگرچه در طي سال‌ها, مدل‌هاي متعددي براي بخش‌بندي با دقت بالا ارائه شده‌اند، اما چالش‌هايي همچون پيچيدگي و تنوع ساختاري تصاوير پزشكي، تنوع زياد اندام‌ها، و عدم توازن ميان اندام‌ها در مجموعه داده‌هاي چند اندامي همچنان باعث كاهش دقت مدل‌ها مي‌شوند. اين چالش‌ها نيازمند راه‌حل‌هاي پيشرفته‌تري براي بهبود عملكرد مدل‌هاي بخش‌بندي هستند. هدف ما در اين تحقيق ارائه روشي براي بهبود عملكرد عمليات بخش‌بندي بر روي تصاوير پزشكي اندام‌هاي شكمي است. با توجه به اينكه در سال‌هاي اخير استفاده از تبديل‌كننده در كنار شبكه‌هاي عصبي پيچشي براي بخش‌بندي دقيق‌تر تصاوير پزشكي متداول شده است, در اين پژوهش مدل HiFormer كه مدلي مبتني بر شبكه عصبي پيچشي و تبديل‌كننده است را به عنوان مدل پايه خود انتخاب كرديم. در اين تحقيق, بهبود عملكرد روش HiFormer از دو ديدگاه مورد بررسي قرار گرفت. در ديدگاه اول, تاثير تغيير داده ورودي به مدل بر عملكرد مدل تحليل شد. در اين ديدگاه, اطلاعاتي كه از تصوير اوليه استخراج مي‌شود, با تصوير اوليه بر روي بعد كانال تركيب شده و به عنوان ورودي به مدل تزريق مي‌شود. اين اطلاعات شامل لبه‌هاي اندام‌ها و يا تصوير بهبود كانتراست‌يافته است. در ديدگاه دوم, تاثير تغيير معماري مدل پايه بر عملكرد آن مدنظر قرار گرفت. روش پيشنهادي ما در اين پژوهش بر اساس رويكرد دوم شكل گرفته است. در اين روش ما با به كارگيري تبديل‌كننده XCiT و نيز تابع هزينه DiceTopK به جاي تابع هزينه پيش‌فرض عمليات بخش‌بندي تصاوير پزشكي موفق به ايجاد مدلي شديم كه توانست با دقت بالاتري تصاوير اندام‌هاي شكمي را بر روي مجموعه داده Synapse بخش‌بندي كند. اين مدل به دليل توانايي در استخراج وابستگي‌هاي دور برد بين اجزاي تصوير, كه منظور ارتباط بين اندام‌هايي است كه به يك ديگر نزديك نيستند, در كنار توجه به ويژگي‌هاي محلي و نيز تمركز بر روي نواحي چالش‌برانگيزتر براي بخش‌بندي, مانند اندام‌هايي با اندازه كوچكتر مثل كليه‌ها, توانسته است منجر به ايجاد بهبود به ميزان دو درصد بر اساس معيار DSC در عملكرد مدل پايه شود؛ به اين صورت كه معيار DSC براي مدل پايه برابر با 79/78 % و براي مدل پيشنهادي برابر با 81/15 % است.

230776

هوش مصنوعي و رباتيكز

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان