عنوان

قطعه‌بندی خودکار تومور مغزی در تصاویر MRI چند حالته با استفاده از یادگیری عمیق

شماره

پ۲۷۲۴۶

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

قطعه‌بندی خودکار تومور مغزی در تصاویر MRI چند حالته با استفاده از یادگیری عمیق

نام نخستين پديدآور

سید‌مهدی بانان‌خجسته

نام ناشر، پخش کننده و غيره

مهندسی برق و کامپیوتر

تاریخ نشرو بخش و غیره

۱۴۰۱

نام خاص و کميت اثر

۱۰۰ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

هندسی کامپیوتر گرایش نرم‌افزار

زمان اعطا مدرک

۱۴۰۱/۰۶/۲۱

متن يادداشت

امروزه مرگ و میر ناشی از رشد بدون توقف سلول های سرطانی، آمار بالایی را به خود اختصاص داده است. تشخیص به‌موقع در مراحل اولیه این بیماری، درمان و نجات جان بیمار را به همراه دارد. شناسایی دقیق و سریع شکل، محل و ابعاد تومور در انجام فرآیند درمان سرنوشت‌ساز است. در قطعه‌بندی تومور مغزی، بافت قسمت های مختلف تومور از هم و نیز از بافت سالم تفکیک می‌گردد. قطعه‌بندی تومور‌های مغزی در تصویربرداری با تشدید مغناطیسی چند حالته یکی از چالش برانگیزترین کارها در تجزیه و تحلیل تصاویر پزشکی است. با توجه به ظاهر و شکل غیر قابل پیش‌بینی تومور‌های مغزی، ناحیه‌بندی تومور‌های مغزی در تجزیه و تحلیل تصاویر پزشکی به یک چالش تبدیل شده است. با توجه به اینکه قطعه‌بندی دستی ناحیه تومور توسط پزشکان به صورت دستی انجام می‌گیرد و علاوه بر وقت‌گیر بودن، دارای خطای زیادی است، بنابراین به جهت صرفه جویی در زمان تفسیر این تصاویر و همچنین کاهش خطای انسانی، از قعطه‌بندی خودکار تومور های مغزی در تصاویر تشدید مغناطیسی چند حالته جهت قطعه‌بندی مؤثر زیر ساختار های تومور مغزی استفاده می‌شود. آشکارسازی دقیق و به موقع ناحیه تومور مغزی در انتخاب نوع درمان، میزان موفقیت آن و بهبودی بیمار تأثیر بسیار بالایی دارد.در این پژوهش روشی خودکار بر پایه شبکه‌ U-Net جهت قطعه‌بندی تومور مغزی در تصاویر تشدید مغناطیسی دو بعدی ارائه شده است. این روش شامل مراحل پیش‌پردازش، انتخاب معماری شبکه، آموزش و آزمایش شبکه است. شبکه عمیق مورد استفاده در این پژوهش، مدل U-Net همراه با تغییراتی در ساختار این شبکه است. از دادگان BraTs2020 و با استفاده از روش اعتبارسنجی متقابل جهت تقسیم‌بندی داده های آموزش و آزمایش استفاده شده است. تغییرات انجام شده در ساختار این شبکه باعث گردیده تا علاوه بر ویژگی‌های محلی، ویژگی‌های گلوبال بیشتری نسبت به معماری های پیشین یادگرفته شود و ارزیابی این شبکه با استفاده از معیار Dice نشان می‌دهد که این شبکه برای قطعه‌بندی چندکلاسه تومور مغزی به دقت 94.16 می‌رسد.

متن يادداشت

Today, the death rate due to the non-stop growth of cancer cells is high. Timely diagnosis in the early stages of this disease leads to treatment and saving the patient's life. Accurate and quick identification of the shape, location and dimensions of the tumor is crucial in the treatment process. In brain tumor segmentation, the tissue of different parts of the tumor is separated from each other and from the healthy tissue. Segmentation of brain tumors in multimode magnetic resonance imaging is one of the most challenging tasks in medical image analysis. Due to the unpredictable appearance and shape of brain tumors, regionalization of brain tumors has become a challenge in the analysis of medical images. Considering that the manual segmentation of the tumor area is done manually by doctors and in addition to being time-consuming, it has a lot of error, so in order to save the time of interpreting these images and also to reduce human error, automatic segmentation of brain tumors in the images Multimode magnetic resonance is used for effective segmentation of brain tumor substructures. Accurate and timely detection of the brain tumor area has a very high impact on choosing the type of treatment, its success rate and the patient's recovery.In this research, an automatic method based on the U-Net network for brain tumor segmentation in two-dimensional magnetic resonance images is presented. This method includes the steps of pre-processing, network architecture selection, network training and testing. The deep network used in this research is the U-Net model with changes in the structure of this network. The data of BraTs2020 and using the mutual validation method have been used to divide the training and testing data. The changes made in the structure of this network have made it possible to learn more global features than previous architectures in addition to local features, and the evaluation of this network using the Dice criterion shows that this network reaches an accuracy of 94.16 for the segmentation of multiple classes of brain tumors.

عنوان گونه گون

Automatic brain tumor segmentation in multimodal MR images using deep learning

عنصر شناسه اي

‏بانان‌خجسته،

ساير عناصر نام

‏سید‌مهدی

کد نقش

تهيه کننده

عنصر شناسه اي

بالافر،

عنصر شناسه اي

برادرانی،‏

ساير عناصر نام

‏‏محمد علی

ساير عناصر نام

‏آریاز

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

تبریز‏