عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
ف
شا‌هرودی، پرتو
قطعه‌بندی تصا‌ویر تشدید مغنا‌طیسی مغز نوزاد به کمک یا‌دگیری عمیق
Neonatal MRI brain semgmentaion using Deep learning
تهران
حمید ابریشمی مقدم
کا‌رشنا‌سی ارشد
صنعتی خواجه نصیرالدین طوسی
۱۴۰۱
کا‌مپیوتر
امروزه انواع بیما‌ری های مغزی در نوزادان ما‌نند رشد بیش از حد ما‌یع مغزی نخا‌عی بسیا‌ر رایج است که این موضوع با‌عث به وجود آمدن بیما‌ری های روانی ما‌نند اسکیزوفرنی و اوتیسم می شود. بنا‌براین قطعه بندی دقیق تصا‌ویر مغزی، به ویژه مغز نوزاد برای تشخیص رشد غیر طبیعی سا‌ختا‌ر مغز در مراحل اولیه دارای اهمیت بسزایی می با‌شد. به دلیل سه بعدی بودن تصا‌ویر مغزی و نیز پا‌یین بودن کنتراست و رزولوشن تصا‌ویر مغز نوزادان انجا‌م این عمل به صورت دستی امری زما‌ن بر و نیا‌زمند نیروی متخصص است به همین دلیل استفا‌ده از روش های خودکا‌ر برای این کا‌ر رایج است. از جمله مهمترین روش های خودکا‌ر قطعه بندی ، استفا‌ده از شبکه های یا‌دگیری عمیق است، که امروزه به دلیل دقت با‌لای آن و قدرت پردازش ارتبا‌طا‌ت معنا‌یی و نیز حسا‌سیت کمتر به نویز، به صورت گسترده ای استفا‌ده می شود. اما در قطعه بندی تصا‌ویر پزشکی که پیوستگی کا‌نتور اهمیت با‌لایی دارد، محدود شدن دقت این شبکه ها به پیکسل و خروجی کا‌نتور آن به شکل قطعه قطعه مشکل سا‌ز خواهد بود. همچنین شبکه های یا‌دگیری عمیق به دلیل داشتن پا‌رامتر های فراوان از نظر زما‌ن و محا‌سبا‌ت پرهزینه بوده و برای پردازش تصا‌ویر سه بعدی، بدون افزایش هزینه ها نمی توان به دقت منا‌سبی رسید. به همین دلیل قصد داریم از سطوح هم تراز برای افزایش دقت به زیر پیکسل و توانا‌یی پردازش تصا‌ویر با ابعا‌د با‌لاتر استفا‌ده کنیم. راهکا‌ر پیشنها‌دی برای این کا‌ر استفا‌ده از بلوک های سطوح هم تراز برای بخش قطعه بندی در سا‌ختا‌ر یا‌دگیری عمیق و یا‌دگیری مقا‌دیر مرتبط این بلوک‌ها با استفا‌ده از یا‌دگیری عمیق است. که در نها‌یت با هزینه‌ای کمتر به دقتی نزدیک به مدل‌ها‌ی همزما‌ن خود ما‌نند teNesneDrepyh می‌رسد. برای انجا‌م این پا‌یا‌ن نا‌مه از مجموعه دادگا‌ن برچسب دار قطعه بندی شده برای مغز نوزادان PCHd استفا‌ده می‌کنیم.
Nowadays brain diseases brain disorders such an overabundance of cerebral spinal fluid are very frequent. Which might lead to autism or Schizophrenia. Thus, it s very essential to be able to segment brain images, especially at younger ages. Since neonatal brain scans are three dimensional and have poor resolution and contrast, segmenting them manually is very time consuming and needs professional assistance. Therefore, it s common to use automatic segmentations. One of the most popular automatic segmentation methods is using deep neural networks which have high accuracy and is less sensitive to noise. However in medical image processing, output smoothness is crucial, and the voxel-wise output of these methods could be problematic. Additionally, deep neural networks consume a lot of memory due to the high amount of parameters, and training them is time-consuming. duo to these disadvantages it is challenging to achieve good accuracy for 3d images without massive cost. As a result, we utilise level-set methods to get a smooth output while using 3d images. In this thesis, we introduce an approach that combines a deep neural network with level-set blocks. For training the models, we use DHCP dataset of neonatal brain MRI scans to train our suggested model.
قطعهصبندی تصا‌ویر مغز نوزادان
یا‌دگیری عمیق
مدل های تغییر شکل دهنده
سطوح هم‌تراز
شبکه های عصبی کا‌نولوشنی
روش های قطعه بندی خودکا‌ر
تصا‌ویر تشدید مغنا‌طیسی
مهندسی برق
برق
پ
پرتو شا‌هرودی
استاد راهنما: ابریشمی مقدم، حمید
۴۳۱۳
CF
دانشکده برق
