توسعه مدل هاي شكل پذير مبتني بر لبه براي بخش بندي توده هاي موجود در تصاوير سه بُعدي اولتراسوند پستان

دكتراي تخصصي

مؤثرترين راه براي مقابله با سرطان پستان تشخيص زودهنگام است كه با استفاده از تصويربرداري از پستان ميسر مي گردد. در اين رساله بر روي تصاوير اولتراسوند سه بُعدي خودكار موسوم به ABUS متمركز شده ايم. در تحقيق حاضر براي كمك به راديولوژيستها دو سيستم كمكي كامپيوتري پيشنهاد شده است: 1) سيستم كامپيوتري براي آشكارسازي مكان توده و 2) سيستم كامپيوتري براي بخش بندي توده. براي آشكارسازي مكان توده ها يك سيستم كامپيوتري چند مرحله اي پيشنهاد شده است. در مرحله اول، از يك روش حذف نويز موسوم به OBNLM براي كاهش نويز لكه اي استفاده مي شود. در مرحله دوم با استفاده از يك روش جديد بر مبناي كانتورهاي تك شدتي نواحي مشكوك اوليه استخراج مي شود. سپس، به منظور كاهش تعداد كانتورهاي كاذب استخراج شده، از فيلترهايي بر مبناي دوار بودن، ميزان روشنايي و قدرت كانتورها بهره مي گيريم. در ادامه، براي حذف بيشتر نواحي مثبت كاذب، يك رده بند تركيبي آبشاري پيشنهاد داديم كه رده بندهاي پايه آن را رده بندي به نام بوستينگ زيرنمونه گيري تصادفي (RUSBoost) تشكيل مي دهد. كارايي سيستم توده ياب پيشنهادي بر روي 104 حجم از 74 بيمار كه شامل 112 توده بدخيم است مورد آزمايش قرار گرفت. طبق تحليل FROC، سيستم پيشنهادي به ازاي يك نمونه مثبت كاذب در يك حجم، به حساسيت مبتني بر بيمار برابر 76% و حساسيت مبتني بر ناحيه برابر 68% دست يافت. در سيستم پيشنهادي براي بخش بندي توده ، از يك مدل دو مرحله اي استفاده شد. در مدل پيشنهادي، اطلاعات شكل توده هاي موجود در مجموعه آموزش جهت افزايش دقت بخش بندي دخالت داده مي شود. در گام اول از اين مدل، از يك الگوريتم رشد ناحيه تطبيقي براي به دست آوردن يك تخمين كلي از مرز توده استفاده كرديم. در گام نهايي، كانتور حاصل از اين مرحله به عنوان كانتور اوليه در اختيار يك مدل شكل پذير هندسي مبتني بر لبه جديد قرار داده مي شود. اين مدل بر روي مجموعه داده اي مشتمل بر 50 توده مورد ارزيابي قرار گرفت و به معيار دايسي برابر با 19/0±74/0 دست يافت. همچنين براي مقايسه بيشتر، يك مدل يادگيري عميق به نام u-net سه بُعدي را براي بخش بندي امتحان كرديم كه به ميانگين دايسي برابر 30/0±61/0 دست يافتيم.

191705

دانشگاه علم و صنعت ايران

دكتر حميد بهنام و دكتر معصومه سلامتي

هوش مصنوعي و رباتيك

دكتر محسن سرياني