عنوان

ناحیه‌بندی خودکار ضایعات مولتیپل اسکلروزیس در تصاویر ‮‭MRI‬ مغز مبتنی بر روش‌های با نظارت

Number

‭۲۳۵۲۵پ‬

.Language of Text, Soundtrack etc

per

Title Proper

ناحیه‌بندی خودکار ضایعات مولتیپل اسکلروزیس در تصاویر ‮‭MRI‬ مغز مبتنی بر روش‌های با نظارت

First Statement of Responsibility

/فاطمه مشاریان

Name of Publisher, Distributor, etc.

: مهندسی برق و کامپیوتر

Date of Publication, Distribution, etc.

، ‮‭۱۳۹۹‬

Name of Manufacturer

، راشدی

Specific Material Designation and Extent of Item

‮‭۱۴۵‬ص‬

Text of Note

چاپی - الکترونیکی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی پزشکی گرایش بیوالکتریک

Date of degree

‮‭۱۳۹۹/۰۶/۲۴‬

Body granting the degree

تبریز

Text of Note

مولتیپل اسکلروزیس ‮‭(MS)‬ یکی از بیماری‌های سیستم عصبی مرکزی می‌باشد که باعث تغییرات مورفولوژیکی و ساختاری مغز می‌گردد و تصویربرداری ‮‭MRI‬ بعنوان مهمترین تست پاراکلینیکی برای تشخیص این بیماری، نظارت بر روند پیشرفت آن و بررسی نتایج درمان شناخته شده است .بنابراین، تجزیه و تحلیل کمی از تصاویر ‮‭MRI‬ مانند تعداد، حجم و نوع ضایعات برای این امر ضروری است .انجام این کار توسط متخصصین به صورت دستی کاری وقت‌گیر بوده و بدلیل پیچیدگی‌های تشخیص و لبه‌های بصری مبهم از مرزهای آناتومیکی، دشوار می‌باشد و نیاز به تجربه و تخصص میان رشته‌ای دارد .بنابراین، ضرورت دستیابی به روش‌های خودکار برای ناحیه‌بندی ضایعات ‮‭MS‬ در تصاویر ‮‭MRI‬ مغز آشکار می‌گردد .الگوریتم‌های ناحیه‌بندی خودکار با توجه به کارگیری از اطلاعات و دانش پیشین به دو گروه اصلی تقسیم شده‌اند؛ الگوریتم‌های مبتنی بر یادگیری با نظارت و الگوریتم‌های مبتنی بر یادگیری بدون نظارت .و با توجه به اینکه بررسی‌های انجام شده تاکنون نشان داده الگوریتم‌هایی که از اطلاعات و دانش پیشین استفاده می‌کنند، نتایج بهتری را نسبت به گروه دوم بدست می‌دهند بنابراین ما نیز بررسی خود را بر روی الگوریتم‌های یادگیری با نظارت محدود نمودیم .در این پژوهش یک روش جدید که ترکیبی از شبکه عصبی کانولوشن‮‭(CNN)‬ ، ماشین یادگیری حداکثری ‮‭(ELM)‬ و الگوریتم بهینه‌سازی ازدحام ذرات ‮‭(PSO)‬ می‌باشد، برای ناحیه‌بندی خودکار ضایعات ‮‭MS‬ در تصاویر ‮‭MRI‬ مغز ارائه شده است .برای این منظور ‮‭CNN‬ طوری طراحی شده است که ‮‭ELM‬ بعنوان کلاسبندی‌کننده در لایه کاملا متصل ‮‭CNN‬ قرار گیرد و عملکرد کل شبکه با استفاده از الگوریتم‮‭PSO‬ ، با تنظیم وزن‌های فیلترها در لایه‌های کانولوشن بهینه‌سازی گردد .همچنین، الگوریتم با استفاده از داده‌های ‮‭MICCAI۲۰۰۸‬ بعنوان پایگاه داده مشترک، آموزش و تست شده است و نتایج بدست آمده برای پایگاه داده‌های ‮‭CHB‬ و ‮‭UNC‬ به ترتیب عبارتند از ‮‭(DSC= ۷۷.۱۶‬ :، دقت ‮‭۸۸.۶۱‬ =و صحت ‮‭۹۹.۸۲)‬ =و ‮‭(DSC= ۸۹.۸۵‬ ،دقت ‮‭۹۳.۱۶‬ =و صحت ‮‭۹۹.۹۷)‬ =می‌باشد .همچنین الگوریتم پیشنهادی در مقایسه با روش‌های دیگر نتایج دقیق‌تر و قابل قبول‌تری را ارائه می‌دهد .نوآوری :نوآوری این تحقیق، ترکیب جدیدی از شبکه‌های عصبی کانولوشن‮‭(CNN)‬ ، ماشین یادگیری حداکثری ‮‭(ELM)‬ و الگوریتم بهینه‌سازی ازدحام ذرات ‮‭(PSO)‬ می‌باشد که برای ناحیه‌بندی خودکار ضایعات ‮‭MS‬ در تصاویر ‮‭MRI‬ مغز استفاده شده است

Text of Note

Multiple sclerosis (MS) is a disease relating to the central nervous system which changes the morphological structure of the brain. MRI imaging is the main paraclinical test for the diagnosis of MS and to evaluate development of the disease and the treatment process. Therefore, quantitative analysis of MRI images including specification of the kind, number and area of lesions is of crucial importance. Manual determination of these parameters by the specialists is time consuming and difficult due to the complexity of recognition and visual edges indiscernible from the anatomical boundaries and needs experience and interdisciplinary expertise. Consequently, it is necessary to have access to the automatic methods for segmentation of MS lesions in MRI images. Automated segmentation algorithms are categorized into two main groups based on the prior information and knowledge: Supervised learning-based algorithms and unsupervised learning-based algorithms. In as much as the studies done so far have shown that algorithms employing prior information and knowledge give better results compared to those of the second group. So, we exclusively limited our study and investigation on the supervised learning algorithms. In this research, a new method for automatic segmentation of MS lesions in brain MRI images is proposed which is a combination of Convolutional Neural Network (CNN), Extreme Learning Machine (ELM) and Particle Swarm Optimization (PSO). For this purpose, CNN is designed in a way that the ELM is used as a classifier in the fully connected layer of CNN and the performance of the whole network is optimized using the PSO algorithm by adjusting the weights of the filters in the convolution layers. The algorithm has also been trained and tested using MICCAI2008 data which is a ground truth dataset. The results of CHB and UNC databases are, respectively (DSC=77.16 , precision= 88.61 and accuracy= 99.82 ) and (DSC=89.85 , precision=93.16 and accuracy=99.97 ). in addition, the proposed algorithm provides more reliable and acceptable results compared to other methods. Innovation: The innovation applied in this algorithm presents a new combination of Convolutional Neural Network (CNN), Extreme Learning Machine (ELM) and Particle Swarm Optimization (PSO) for automatic segmentation of MS lesions in the MRI images of the brain

مشاریان، فاطمه

ماکویی، سمیه، استاد راهنما

دانشور، سبلان، استاد راهنما

طینتی، محمدعلی، استاد مشاور

Public note

سیاه و سفید

نمایه‌سازی قبلی