طبقه‌بندي خودكار اسكن‌هاي تموگرافي كامپيوتري سرطان كبد با الگوريتم يادگيري عميق

كارشناسي ارشد

چكيده تجزيه‌وتحليل تصاوير پزشكي نقش مهمي در تشخيص بسياري از بيماري‌ها دارد، آناليز خودكار اين تصاوير مي‌تواند به پزشك در تشخيص كمك كرده و همچنين باعث كاهش باركاري گردد. يادگيري عميق يكي از روش‌هاي محبوب براي تجزيه‌وتحليل تصاوير پزشكي بوده و در ميان روش‌هاي مختلف اين زمينه، شبكه عصبي كانولوشن (CNN) به دليل توانايي بالايي كه در استخراج خودكار ويژگي‌هاي سطح بالا از تصاوير دارد، به محبوبيت فراوان رسيده است. در اين پايان‌نامه، سيستم‌هاي براي طبقه‌بندي اسكن‌هاي تموگرافي كامپيوتري (CT) سرطان كبد پيشنهاد كرديم كه در معماري آن‌ها از CNN استفاده شد. CNN به دليل كنتراست پايين اسكن‌هاي CT قادر نبود ويژگي‌هاي مناسبي براي طبقه‌بندي استخراج كند، ازاين‌روي به‌وسيله تكنيك‌هاي پردازش تصوير كنتراست اسكن‌هاي CT را بهبود داديم تا ويژگي‌هاي بهتري استخراج‌كنيم و درنهايت با شبكه‌هاي عصبي‌ چندلايه پرسپترون (MLP) و ماشين بردار پشتيبان (SVM) اين ويژگي‌هاي استخراج‌شده را طبقه‌بندي كرديم. سيستم‌هاي پيشنهادي را با ۵۶۰ اسكن CT سرطان كبد كه زيرمجموعه‌اي از اسكن‌هاي TCGA-LIHC بود، مورد آموزش و آزمودن قرارداديم؛ كه بهترين سيستم پيشنهادي با بهره‌گيري از تكنيك كشش و يكنواخت كردن هيستوگرام به همراه حذف حاشيه‌هاي اسكن، توانست به ۸۸.۱۲۵ درصد صحت در طبقه‌بندي اسكن‌هاي CT سرطان كبد برسد. كلمات كليدي: يادگيري عميق، شبكه عصبي، پردازش تصوير، اسكن تموگرافي كامپيوتري، سرطان كبد

191773

دانشگاه علم و صنعت ايران

نرم‌افزار

دكتر جواد وحيدي