بخشبندی تومور مغزی از روی تصاویر MRI به روش یادگیری عمیق
نام عام مواد
[پایاننامه]
عنوان اصلي به زبان ديگر
Brain Tumor Segmentation From MRI Images Using Deep Learning
نام نخستين پديدآور
/آوا علامتساز
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: مهندسی برق
تاریخ نشرو بخش و غیره
، ۱۴۰۰
مشخصات ظاهری
نام خاص و کميت اثر
۸۳ص.
ساير جزييات
:
يادداشت کلی
متن يادداشت
زبان: فارسی
متن يادداشت
زبان چکیده: فارسی
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی - الکترونیکی
یادداشتهای مربوط به مشخصات ظاهری اثر
متن يادداشت
مصور، جدول، نمودار
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسی برق- مخابرات سیستم
زمان اعطا مدرک
۱۴۰۰/۰۶/۰۱
کسي که مدرک را اعطا کرده
صنعتی سهند
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
مغز از مهمترین و حیاتیترین اجزا بدن انسان است .از گذشته تاکنون دانشمندان در پی یافتن روش-های موثر تصویربرداری از درون بدن انسان بودهاند .روش تصویربرداری تشدید مغناطیسی(MRI) ، از روشهای تصویربرداری با وضوح بالا، از بافتهای داخلی بدن به خصوص مغز میباشد .تومور مغزی که در سالهای اخیر در بین افراد شیوع بیشتری یافته، از جمله بیماریهای با درصد مرگ و میر بالا می-باشد به همین دلیل تشخیص و نظارت بر آنها بسیار مهم است .بخشبندی تصاویر تومور مغزی به معنای تقسیم و جداسازی تومور مغزی از سایر بخشهای مغز میباشد برای این منظور میتوان از روشهای بخشبندی خودکار به عنوان شاخهای از یادگیری ماشین استفاده کرد .در این پایاننامه دو روش پر کاربرد بخشبندی تصاویر پزشکیNet - Uو معماری مبتنی بر ترنسفورمرها پیادهسازی شده است و توسط آنها بخشبندی تومور مغزی انجام گرفته است .در این دو معماری با قرارگیری لایهها درکنارهم طی دو مرحله عمل کدگذاری و کدگشایی صورت میگیرد .همچنین مشابه سایر شبکههای عمیق در این دو شبکه نیز استخراج ویژگی و در پی آن بخشبندی تصویر انجام گرفته و نتایج کیفی و کمی آنها با نتایج حاصل از بخشبندی دستی مورد مقایسه قرار گرفته است .آنچه معماری مبتنی بر ترنسفورمرها را نسبت بهNet - Uبرتری میدهد استفاده از مکانیزم خودتوجهی و لایههای مورد استفاده در ترنسفورمر است .نتیجهی این مقایسهها حاکی از عملکرد بهتر روش مبتنی بر ترنسفورمرها با دقت تشخیص بالاتر ناحیهی تومور نسبت به معماری اول میباشد.
متن يادداشت
Brain is one of the most important and vital parts of the human body. From time immemorial, scientists have sought to find effective methods of imaging inside of the human body. Magnetic resonance imaging (MRI) is a high-resolution imaging technique of the internal tissues of the body, especially the brain. Brain tumors, which have become more prevalent among people in recent years, are among the diseases with a high mortality rate, so it is very important to diagnose and monitor them. Segmentation of brain tumor images means the separation of the brain tumor from other parts of the brain. For this purpose, automated segmentation methods can be used as a branch of machine learning. In this dissertation, two widely used methods of U-Net medical image segmentation and transformer-based architecture have been implemented and brain tumor segmentation has been performed by them. In these two architectures, by placing the layers next to each other, coding and decoding are done in two stages. Also, similar to other deep networks in these two networks, feature extraction was performed and then image segmentation was performed and their qualitative and quantitative results were compared with the results of manual segmentation. What makes Transformer-based architecture superior to U-Net is the use of a self-attention mechanism and layers used in Transformers. The result of these comparisons indicates better performance of the transformer-based method with higher accuracy of tumor area detection than the first architecture.
خط فهرستنویسی و خط اصلی شناسه
ba
عنوان اصلی به زبان دیگر
عنوان اصلي به زبان ديگر
Brain Tumor Segmentation From MRI Images Using Deep Learning
موضوع (اسم عام یاعبارت اسمی عام)
موضوع مستند نشده
یادگیریعمیق
موضوع مستند نشده
تومور مغزی
موضوع مستند نشده
بخشبندی تصویر MRI
موضوع مستند نشده
U-Net
موضوع مستند نشده
ترنسفورمرها
اصطلاحهای موضوعی کنترل نشده
اصطلاح موضوعی
Deep learning, MRI image segmentation, Brain tumor, U-Net, Transformers