عنوان
بخش‌بندي خودكار ساختار مغز جنين در تصاوير MRI مبتني بر روش هاي يادگيري عميق
نويسنده اصلي
شريفيان، طاهره
محل تحصيل
اصفهان : دانشگاه صنعتي اصفهان
رشته تحصيلي
كامپيوتر
مقطع تحصيلي
كارشناسي ارشد
چكيده
بخش‌بندي تصاوير پزشكي يكي از چالش‌هاي اساسي در پردازش تصوير است و نقش حياتي در ارزيابي و تشخيص برخي بيماري‌ها ايفا مي‌كند. در حوزه‌ي تصاوير MRI مغز، بخش‌بندي دقيق ساختارهاي مختلف مغز، به‌ويژه در مغز جنين، از اهميت ويژه‌اي برخوردار است. اين فرايند مي‌تواند در تشخيص اختلالات مغزي و پيش‌بيني رشد طبيعي يا غيرطبيعي مغز تأثير شاياني داشته باشد. از آنجا كه تصاوير پزشكي معمولاً داراي ويژگي‌هاي متنوعي بين بيماران هستند، توسعه روش‌هاي مؤثر براي بخش‌بندي اين تصاوير همواره يكي از چالش‌هاي بزرگ به شمار مي‌رود. در اين راستا، هدف اصلي پژوهش حاضر، توسعه يك مدل بر پايه روش هاي يادگيري عميق است كه قادر به بخش‌بندي دقيق ساختارهاي مغز جنين، به‌ويژه ساختارهاي ماده سفيد و صفحه غشايي، از تصاوير MRI باشد. براي دستيابي به اين هدف، روش جديدي براي استخراج برش‌هاي دوبعدي از تصاوير حجمي سه‌بعدي مغز جنين پيشنهاد شده است. اين روش كه تحت عنوان "برش‌هاي تطبيقي" شناخته مي‌شود، بر اساس اندازه و ويژگي‌هاي خاص مغز جنين برش‌هاي دوبعدي را استخراج مي‌كند. در مقايسه با روش‌هاي مرسوم برش‌هاي ثابت، اين رويكرد تضمين مي‌كند كه اطلاعات نواحي مهم براي بخش‌بندي در هر برش موجود باشد. همچنين، وابستگي‌هاي مكاني در تصاوير كاهش مي‌يابد، كه اين ويژگي به‌ويژه در تصاوير MRI جنين كه ممكن است تحت تأثير تحرك جنين در حين تصوير‌برداري قرار گيرند، اهميت دارد. اين پژوهش با هدف كاهش پارامترهاي ياديگيري و حفظ عملكرد، دو روش يادگيري عميق براي بخش‌بندي دو كلاسه و سه كلاسه معرفي مي‌كند كه هردو از يك ستون فقرات مشابه بهره مي‌برند. مقايسه اين دو روش با مدل‌هاي استاندارد بخش‌بندي نشان مي‌دهد كه هر دو روش عملكرد بهتري نسبت به مدل هاي مقايسه شده از خود نشان داده‌اند. با كاهش تعداد پارامترها و زمان پيش‌بيني، مدل‌هاي ما توانسته‌اند به‌طور مؤثر در آزمون‌هاي باليني عمل كنند و دقت بالاتري را ارائه دهند. در مقايسه با روش پايه، روش اول توانست به طور متوسط دو درصد افزايش در تمامي پارامترها داشته باشد و روش پيشنهادي دوم نيز در مقايسه با روش‌هاي مقايسه شده، توانست به طور ميانگين حدود يك درصد افزايش در تمامي پارامترها بدست آورد. همچنين هر دو مدل در مقايسه با روش پايه 50 درصد كاهش تعداد پارامتر يادگيري داشتند كه باعث كاهش قابل توجه در زمان آزمون هر نمونه مي‌شود.
شماره ركورد
233279
گرايش رشته تحصيلي
هوش مصنوعي و رباتيكز
دانشكده
مهندسي برق و كامپيوتر
دانشگاه
دانشگاه صنعتي اصفهان