بخش بندي تصاوير MRI تومورهاي مغزي با استفاده از معماري تغيير يافته U-Net

كارشناسي ارشد

تشخيص تومور مغزي و مرزهاي آن براي تشخيص به موقع و كاهش مرگ و مير بيماران بسيار مهم است. متخصصان اين مرزها را تعيين مي‌كنند، اما تورم تومور، تفاوت‌هاي بافتي و تغيير شكل و اندازه در بين بيماران اغلب منجر به تعيين مرزهاينامنظم و نامشخص تومور مي‌شود. در سال‌هاي اخير، چارچوب كدگذار-كدگشا، از جمله معماري‌هاي معروفي مانند U-Net، نتايج اميدواركننده‌اي را در وظايف بخش‌بندي تصوير پزشكي براي غلبه بر اين موانع نشان داده است.با اين حال، افزايش كيفيتبخش‌بندي تومور و تعيين مرزهاي دقيق تومور چالش‌هاي بزرگي براي تشخيص مؤثر و برنامه‌ريزي درمان است. در اين تحقيق،يكمكانيزم توجه بر پايه تبديل شبه ويولت (SWATT) در مدل U-Netبه منظور افزايش كيفيتبخش¬بندي تومور مورد استفاده قرار مي¬گيرد كه اين مدل اصلاح شده به نام SWATT U-Net شناخته مي¬شود. SWATTيك لايهشبه ويولت و معكوس آن را در خود جايداده است كه با مقياس¬گذاري تصوير اصلي براي تمركز روي قسمت¬هاي خاص، تحليل چند رزولوشني تصاوير وروديرا امكان¬پذير مي¬¬سازد. مدل SWATT U-Net بر روي مجموعه داده BraTS2020 آموزش داده شده است. براي ارزيابيمدل پيشنهادي از معيار ميانگيناجتماع بر اشتراك (Mean-IoU) استفاده شده است. نتايجبا افزايششاخص Mean-IoU از 82/82% به16/87٪نشان دهنده بهبود عملكرد مدل پيشنهادي است. علاوهبراين، مكانيزم توجهSWATT براي مدل‌هايPSPNET، ResNet، SegNet و DeepLabV3 اعمال شده است. مدل‌هاي اصلاح‌شده در مقايسه با مدل‌هاي بدون مكانيزم توجهSWATT، پيشرفت‌هاي قابل توجه Mean-IoU را به نمايش مي‌گذارند كه از 53/14درصدتا88/20درصدمتغير است. شايان ذكر است، شبكه DeepLabV3اصلاح¬شده بالاترين پيشرفت را با 88/20درصدنشانمي¬دهد. در نهايت، تجزيه و تحليل آماري با استفاده از آزمون t برتري مدل‌هاي اصلاح‌شده با مكانيزم توجه SWATT را تأييد مي‌كند و منجر به بهبود نتايجبخش‌بندي مي‌شود.

229579

دانشگاه اصفهان

مهندسي كامپيوتر - هوش مصنوعي و رباتيكز

احمدرضا نقش نيلچي