۱۹۹۵۸پ
per
قطعه‌بندی تومور مغزی در تصاویر MRI با استفاده از شبکههای عصبی
Brain Tumor Segmentation with Neural Networks
/امیر خالقی‌فرد
: مهندسی برق و کامپیوتر
، ۱۳۹۷
، افشار
۷۲ص
چاپی - الکترونیکی
ارشد
مهندسی‌پزشکی
۱۳۹۷/۰۶/۲۴
تبریز
امروزه یکی از متداول‌ترین سرطان‌ها، تومورهای مغزی است که یکی از دلایل عمده مرگ‌ومیر بین کودکان و بزرگسالان بوده و در شمار بیماری‌های کشنده مطرح می‌شود .از آن‌جایی که تشخیص سرطان در مراحل اولیه آن، حائز اهمیت بوده و می‌تواند در بهبود بیماری تأثیر بسزایی داشته باشد بنابراین شناسایی تومورها و مکان آن‌ها اصلی‌ترین مرحله تشخیص می‌باشد .در این پژوهش، سعی ما بررسی قطعه‌بندی تومورهای مغزی است و به علت این‌که بررسی این نوع از سرطان بیشتر با تصاویرMRI انجام می‌گیرد و با توجه به وجود خطای انسانی در فرآیند تشخیص از روی تصاویرMRI ، مطالعه ما بر روی این نوع تصاویر و روش‌های مبتنی بر شبکههای عصبی برای شناسایی خودکار نواحی دارای تومور است .در این پایان‌نامه، روش جدیدی مبتنی بر شبکههای عصبی کانولوشن برای قطعه‌بندی تومورهای مغزی در تصاویر MRI ارائه می‌شود .ما یک روش تقسیم‌بندی تومور مغزی کاملا خودکار بر اساس شبکههای عمیق عصبی (DNN) ارائه می‌کنیم .شبکه پیشنهادی ما برای تشخیص گلیوبلاستوما (Glioblastoma)برای هر دو درجه بالا و پایین در تصاویر MR طراحی شده است .با توجه به ماهیت، این تومورها می‌توانند در هر نقطه از مغز ظاهر شوند و تقریبا هر نوع شکل، اندازه و کنتراست داشته باشند .این دلایل، انگیزه تحقیق ما در مورد یک راه‌حل یادگیری ماشین است که از DNN انعطاف‌پذیر و با ظرفیت بالا استفاده می‌کند درحالی‌که بسیار کارآمد است .ما یک معماری جدید CNN ارائه می‌دهیم که از شبکه کانولوشن سه‌بعدی عمیق به همراه ویژگی چندمسیره) چند دقتی (استفاده می‌کند و بهتر از شبکه کانولوشن دوبعدی و همچنین، شبکه کانولوشن سه‌بعدی مقاله مرجع نتیجه داده است .روش پیشنهادی پایان‌نامه ویژگیهایی دارد که آن را از روش‌های مشابه دیگر متمایز کرده و دقت قطعه‌بندی را افزایش داده است .در روش پیشنهادی ما هنگامی‌که نگاشت ویژگی را افزایش می‌دهیم تا به اندازه پیش از ادغام بازگردد از دیکانولوشن برای این افزایش ویژگی استفاده می‌کنیم
Today, one of the most common cancers is brain tumors and is one of the main causes of mortality among children and adults and is one of the deadly diseases. Since detection of cancer in its early stages is important and can have a significant effect on the disease, so the identification of tumors and their location is the main stage of diagnosis. In this study, we try to investigate the segmentation of brain tumors, and because of the fact that this type of cancer is further investigated with MRI images, and given the human error in the process of diagnosis on MRI images, our study on these images and methods based on neural networks for Identification of tumor areas. In this thesis, we present a new method based on convolutional neural networks for segmentation of brain tumors in MRI images. We present a completely automatic brain tumor segmentation method based on deep neural networks (DNN). Our proposed network for the diagnosis of glioblastoma (both upper and lower grades) is designed in MR images. By their nature, these tumors can appear anywhere in the brain and have almost any form, size, and contrast. These are the reasons why our research is about a machine learning solution that uses flexible, high-capacity DNNs, while highly efficient. We provide a new CNN architecture that uses a deep 3D convolutional network with multi-precision properties, and is better than a two-dimensional convolutional network as well as a three-dimensional convolutional network of reference material. Thesis proposed method has features that differentiate it from other methods and increase the accuracy of segmentation. In our proposed approach, when we increase the feature mapping to return as much as before the pooling, we use diconvolution for this feature enhancement
Brain Tumor Segmentation with Neural Networks
خالقی‌فرد، امیر
Khaleghi Fard, Amir
سیاه و سفید
نمایه‌سازی قبلی
