عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
۹۸۴۷۵پ
فارسی
طراحی و پیاده سازی الگوریتم تعاملی به منظور بخش بندی گلیومای مغزی در تصاویر MRI با استفاده از روش های یادگیری عمیق
[پایان نامه]
مریم جلیلی عزیز
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
۱۴۰۰
۹۸ص
کارشناسی ارشد
مهندسی پزشکی
۱۴۰۰/۰۶/۱۵
گلیوما یکی از تهاجمی¬ترین و رایج¬ترین انواع تومورهای مغزی است که سالانه افراد زیادی را به کام مرگ می¬کشاند. بخش¬بندی گلیوما در تصاویر MRI در برنامه¬های کاربردی مانند برنامه¬ریزی جراحی، ارزیابی پس از جراحی اهمیت بسزایی دارد. تصاویر مغز معمولاً ساختارهای پیچیده¬ا¬ی دارند و بخش¬بندی دقیق آنها در تشخیص بالینی امری ضروری و درعین حال دشوار می¬باشد. با این¬وجود، بخش¬بندی صحیح آن برای آشکارسازی تومورها، ورم و بافت¬های مرده بسیار مهم می¬باشد. بخش¬بندی دستی گلیوما فرایندی زمان¬بر است و نتایج حاصل کاملا تابع مهارت شخصی و دانش فرد است. اخیرا تکنیک¬های یادگیری عمیق به-عنوان روش¬های تماما خودکار، در حوزه بخش¬بندی گلیوما بسیار پیشرفت کرده¬اند اما بخش¬بندی تصاویر گلیوما به علت شکل، ابعاد و محل قرارگیری متفاوت و مرزهای مبهم آن همچنان فضایی برای انجام مطالعات جدید برای دستیابی به دقت¬های بالاتر را فراهم می¬سازد. از طرفی نتایج بخش¬بندی خودکار درمواردی نیاز به اصلاح پزشک دارند. اخیرا، روش نیمه¬خودکار تعاملی با ترکیب عبارت¬های مبتنی بر ناحیه و مبتنی بر مرز در تابع سرعت سطوح همتراز و ایجاد تعامل مناسب برای کاربر، به بخش¬بندی گلیوما پرداخته است. درهمین راستا ما در این پژوهش برای دستیابی به بخش¬بندی دقیق با مرزهای مشخص، از ادغام شبکه یادگیری عمیق با مدل¬های گرافیکی احتمال به¬عنوان روشی برای بهبود دقت بخش¬بندی از طریق مداخله کاربر استفاده کردیم. در فاز نخست، بخش¬بندی اولیه با استفاده از روش¬های یادگیری عمیق انجام شده است. سپس نواحی که از دید کاربر نیاز به اصلاح دارند با رسم خطوط دلخواه بر روی تصویر مشخص می¬شوند. یک میدان تصادفی شرطی با استفاده از اطلاعات ارائه شده توسط کاربر و تصویر اصلی، بخش¬بندی اولیه را برای دستیابی به برش¬کمینه با استفاده از الگوریتم "فلو بیشینه / برش-کمینه" در فضای گراف بهینه می¬کند و بخش¬بندی¬های زمخت و غیردقیق را به بخش¬هایی با مرزهای کاملا مشخص و باکیفیت بالا تبدیل می¬کند.با هدف بالا بردن دقت بخش¬بندی و به دنبال آن، به حداقل رساندن میزان تعامل کاربر در مراحل بعد، بخش¬بندی اولیه با بهینه¬سازی شبکه عصبی عمیق کپسولی برای بخش¬بندی تصاویر گلیوما از پایگاه داده پیچیده BraTS2020 انجام شد و دقت آن با انجام آزمایشی مشابه با شبکه¬ کانولوشنی متداول U Net مقایسه شد. ضریب شباهت برای شبکه کپسولی و U Net به ترتیب برابر 87.5 و 85.5 به دست آمد. همچنین، در مرحله تعامل، پس از دریافت تعامل کاربر بر روی برش¬های MRI استخراج شده از داده 10 بیمار که در مرحله بخش¬بندی اولیه به¬خوبی بخش¬بندی نشده بودند و نیازمند اصلاح بودند، با حل مساله بهینه سازی در فضای گراف، ضریب مشابهت بطور متوسط از 73.89% به 80.09% افزایش یافت. همچنین خطای مثبت کاذب و خطای منفی کاذب به ترتیب از%0.19 به %0.12رسید. حساسیت و ویژگی بطور متوسط از 63.63 % به 76.93% و از 99.76% به %99.86رسید.شبکه کپسولی با داشتن تعداد پارامتر به میزان بیش از 95% کمتر، نسبت به شبکه U Net و با استفاده از تنها 20% از پایگاه داده، به میزان بیش از 2% بهبود در ضریب مشابهت نسبت به U Net دست یافت. همچنین، در مرحله تعامل، پس از دریافت تعامل کاربر و حل مساله بهینه سازی در فضای گراف، دقت بخش¬بندی به میزان 6.2 % در ضریب مشابهت نسبت به بخش¬بندی اولیه بهبود پیدا کرد. در این روش محدودیت¬های روش نیمه¬خودکار تعاملی پیشین، که شامل هزینه محاسباتی بالا در کار با مدل¬های شکل-پذیر هندسی و زمانبر بودن این روش¬ها که منجر به محدود شدن کاربرد این روش در کلینیک می¬شود، همچنین عدم توانایی در دنبال کردن تغییرات توپولوژیک، وابستگی زیاد به مقداردهی اولیه، نیاز به فرآیند پیچیده پارامتریزه کردن مجدد و احتمال توقف در کمینه¬های محلی، برطرف گردید.
گلیوما
بخش بندی
یادگیری عمیق
مدل گرافیکی احتمالی
MRI
، پدیدآور
جلیلی عزیز، مریم
، استاد راهنما
، استاد مشاور
، استاد مشاور
احمدیان، علیرضا
علیمحمدی، میثم
فرنیا، پرستو
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
ایران
20221031
۲۳۴۷ف
دانشگاه علوم پزشکی تهران، کتابخانه دانشکده پزشکی
p
TF
92029
a
Y
