بخش بندي تومور مغز بر اساس يادگيري عميق

تشخيص تومور مغز يكي از موضوعات چالش برانگيز در زمينه تصاوير پزشكي است. با توجه به ماهيت آن، امكان شكل‌گيري تومور در هر جاي مغز با اندازه و شكل‏‌‌‌هاي مختلف، عمل تشخيص را پيچيده‌تر مي كند و اگر اين كار به صورت دستي توسط پزشك انجام شود مشكلاتي از قبيل اشتباهات انساني، زمان‌بر بودن و صرف هزينه بالا را به دنبال خواهد داشت. دلايل بيان شده، ضرورت انجام تشخيص تومور توسط روش‌‌‌هاي هوشمند را دوچندان مي‌كند. در اين پژوهش، براي حل مشكلات گفته شده از روش يادگيري عميق مبتني بر شبكه هاي عصبي كانولوشن استفاده شده است. معماري پيشنهادي، معماري UNet بهبود يافته مي باشد. در اين معماري سعي شده است تا تغييراتي در معماري UNet اصلي جهت بهبود عملكرد كلي شبكه اعمال شود. در اين پژوهش، از فرآيند يادگيري چند نمايي براي آموزش بهتر استفاده شده است كه بنا بر ارزيابي‌ها، نتايج را بهبود داده است. اين نوع آموزش جهت كاهش مشكلات آموزش دو بعدي نسبت به سه بعدي مي باشد. همچنين، به دليل نامتعادل بودن كلاس‌هاي بخش‌بندي تومور مغز، تركيبي از تابع آنتروپي متقاطع و تابع دايس تعميم يافته به عنوان تابع هزينه مورد استفاده قرار گرفته است. شبكه پيشنهادي در چالش بخش بندي تومور مغز BraTS 2018 عملكرد بسيار خوبي از خود نشان داده است. ميانگين دايس حاصل از اين روش ‎89/46‎ ‎، ‎‎82/31‎ و ‎‎81/30‎‎ به ترتيب براي نواحي تومور كامل، تومور هسته و تومور افزايشي با استفاده مجموعه داده اعتبارسنجي 2018 مي‌باشد. واژگان كليدي: يادگيري عميق، تومور مغز، تصاوير MRI، بخش بندي، معماري هاي عميق كانولوشني

192952

دانشگاه علم و صنعت ايران

الكترونيك - سيستم هاي الكترونيك ديجيتال

دكتر كريم محمدي