عنوان

نا‌حیه‌ بندی با‌فت‌ ریه‌ در تصا‌ویر سی‌ تی‌ اسکن‌ قفسه‌ سینه‌ با‌ استفا‌ده‌ از شبکه‌ها‌ی یا‌دگیری عمیق‌

زبان متن نوشتاري يا گفتاري و مانند آن

ف‌

نام نخستين پديدآور

دلفا‌ن‌، نیلوفر

عنوان اصلي

نا‌حیه‌ بندی با‌فت‌ ریه‌ در تصا‌ویر سی‌ تی‌ اسکن‌ قفسه‌ سینه‌ با‌ استفا‌ده‌ از شبکه‌ها‌ی یا‌دگیری عمیق‌

محل نشرو پخش و غیره

تهران‌

ساير جزييات

۸۵۱ ص‌.

متن يادداشت

حمید ابریشمی‌ مقدم‌؛ محمد فروزانفر

جزئيات پايان نامه و نوع درجه آن

کا‌رشنا‌سی‌ ارشد

کسي که مدرک را اعطا کرده

خواجه‌ نصیرالدین‌ طوسی‌

زمان اعطا مدرک

۱۴۰۰

نظم درجات

کا‌مپیوتر

متن يادداشت

نا‌حیه‌بندی ریه‌ اولین‌ مرحله‌ مهم‌ برای تجزیه‌ و تحلیل‌ کمی‌ تصا‌ویر مقطع‌نگا‌ری رایا‌نه‌ای ریه‌ در سیستم‌ها‌ی تشخیص‌ پزشکی‌ به‌ کمک‌ رایا‌نه‌ است‌ و تا‌ثیر به‌ سزایی‌ در عملکرد پردازش‌ها‌ی مراحل‌ بعدی نظیر الگوریتم‌ها‌ی شنا‌سا‌یی‌ نا‌هنجا‌ریها‌ و یا‌ کلاس‌بندی بیما‌ریها‌ی مربوط به‌ ریه‌ دارد. با‌ این‌ حا‌ل‌، نا‌حیه‌بندی دقیق‌ و خودکا‌ر ریه‌ در صورت‌ وجود نا‌هنجا‌ری در این‌ با‌فت‌ ممکن‌ است‌ بسیا‌ر مشکل‌ با‌شد. در این‌ پژوهش‌ مدلی‌ برای نا‌حیه‌بندی تصا‌ویر TC ریه‌ مبتنی‌ بر شبکه‌ها‌ی یا‌دگیری عمیق‌ با‌ هدف‌ تسهیل‌ و تسریع‌ روند نا‌حیه‌بندی در سیستم‌ها‌ی تشخیص‌ پزشکی‌ به‌ کمک‌ رایا‌نه‌ ارائه‌ شده‌ است‌. ابتدا با‌ اعما‌ل‌ یک‌ مرحله‌ آستا‌نه‌گذاری تبا‌ین‌ تصویر را افزایش‌ دادیم‌. سپس‌ برش‌ها‌ی تصویر با‌ سطوح‌ خا‌کستری را به‌ سه‌ روش‌ مختلف‌ به‌ تصا‌ویری با‌ سه‌ کا‌نا‌ل‌ رنگ‌ تبدیل‌ کردیم‌. در اولین‌ روش‌ از تکرار یک‌ برش‌، کا‌نا‌ل‌ها‌ی رنگ‌ تصویر سا‌خته‌ شد و در دو روش‌ دیگر برش‌ قبل‌ و بعد نیز برای سا‌خت‌ کا‌نا‌ل‌ها‌ی رنگی‌ مورد استفا‌ده‌ قرار گرفته‌ شد. این‌ امر موجب‌ می‌شود که‌ علاوه‌ بر استفا‌ده‌ از اطلاعا‌ت‌ موجود در یک‌ برش‌، از اطلاعا‌ت‌ برش‌ها‌ی قبل‌ و بعد نیز برای ایجا‌د یک‌ نا‌حیه‌بندی دقیق‌ استفا‌ده‌ کنیم‌. این‌ استفا‌ده‌ از برش‌ها‌ی قبل‌ و بعد موجب‌ ایجا‌د یک‌ سا‌ختا‌ر به‌ اصطلاح‌ دو و نیم‌بعدی می‌شود. برای سا‌خت‌ معما‌ری شبکه‌ از یا‌دگیری انتقا‌لی‌ و شبکه‌ها‌ی کدگذار-کدگشا‌ خودکا‌ر مبتنی‌ بر شبکه‌ teN-U استفا‌ده‌ کردیم‌. برای سا‌ختا‌ر قسمت‌ کدگذار از سا‌ختا‌ر شبکه‌ 3VnoitpecnI استفا‌ده‌ شده‌ است‌ و با‌ استفا‌ده‌ از دادگا‌ن‌ آموزشی‌ وزن‌ها‌ی قسمت‌ کدگشا‌ را آموزش‌ داده‌ایم‌. در این‌ پژوهش‌ از دو مجموعه‌ داده‌ با‌ نا‌م‌ها‌ی 61anuL و llenroC که‌ به‌ صورت‌ عمومی‌ در دسترس‌ هستند، استفا‌ده‌ شده‌ است‌. این‌ مجموعه‌ دادگا‌ن‌ از افراد سا‌لم‌ و افراد مبتلا به‌ سرطا‌ن‌ ریه‌ تشکیل‌ شده‌اند. به‌ منظور بررسی‌ پا‌یداری عملکرد مدل‌ طراحی‌ شده‌، برای آزمون‌ مدل‌ علاوه‌ بر استفا‌ده‌ از قسمتی‌ از مجموعه‌ دادگا‌ن‌ 61anuL، از مجموعه‌ دادگا‌ن‌ llenroC نیز استفا‌ده‌ شده‌ است‌. این‌ روش‌ توانست‌ دقت‌ ۲۹۹.۰ ۳۰۰.۰ را بر روی مجموعه‌ دادگا‌ن‌61anuL ، دقت‌ ۲۰۰.۰ ۶۸۹.۰ را بر روی مجموعه‌ دادگا‌ن‌ llenroC با‌ مرجع‌ درستی‌ رادیولوژیست‌ اول‌ و دقت‌ ۳۰۰.۰ ۵۸۹.۰ را بر روی مجموعه‌ دادگا‌ن‌ llenroC با‌ مرجع‌ درستی‌ رادیولوژیست‌ دوم‌ کسب‌ کند. همچنین‌ مدت‌ زما‌ن‌ اجرا این‌ الگوریتم‌ برای هر برش‌ به‌ صورت‌ میا‌نگین‌ برابر با‌ ۷.۱ ثا‌نیه‌ بر روی رایا‌نه‌ای مجهز به‌ پردازنده‌ QH0077-7i eroC و حا‌فظه‌ ۶۱BG است‌. این‌ الگوریتم‌ به‌ صورت‌ گرافیکی‌ در نرم‌افزار yPsiVdeM که‌ در آزما‌یشگا‌ه‌ بینا‌یی‌ ما‌شینی‌ و پردازش‌ تصا‌ویر پزشکی‌ تولید شده‌ است‌، قا‌بل‌ استفا‌ده‌ می‌با‌شد

متن يادداشت

Lung tissue segmentation is a primary step in analyzing thoracic computed tomography )CT( images in computer-aided diagnostic )CAD( systems. It has a significant impact on the performance of subsequent processing, such as algorithms for identifying abnormalities or classifying lung diseases. However, accurate and automatic segmentation of lung tissue may be difficult if there is an anomaly in this context or because of characteristics of the image such as noise, low contrast, and blurred or missing boundaries. In this study, we presented a model for lung tissue segmentation in thoracic CT images based on deep learning networks to facilitate and accelerate the segmentation process in CAD systems. First, we increased the image contrast by applying a threshold step. Then we converted the grayscale slices into three color channels using three different ways. In the first method, we repeat a slice to made color channels. In the two other methods, three consecutive slices were used to make color channels. This structure allows us to use the information in the previous and next slices to create a precise segmentation. This use of consecutive slices creates a so-called two-and-a-half-dimensional structure. To implement a deep learning-based architecture for lung CT segmentation, first, we replaced the encoder part in U-net architecture with a pre-trained InceptionV3 network. Then, we only trained the decoder part using train dataset. In this study, we used two real and publicly available datasets called Luna16 and Cornell. These datasets include both healthy and lung cancer subjects. In order to evaluate the stability of the proposed model, in addition to using the Luna16 dataset, the Cornell dataset was also used to test the model. The experimental results show that the proposed method achieved competitive results over the existing methods with Dice of 0.992 0.003, 0.986 0.002, and 0.985 0.003 for Luna16, Cornell with the first radiologist's ground truth, and Cornell with the second radiologist's ground truth respectively. The execution time of this algorithm for each slice is equal to 1.7 seconds on a computer equipped with a corei7-7700HQ processor and 16GB memory. This algorithm is available now as an extension in MedVisPy software, produced in the machine vision and medical image processing laboratory.

تقسیم فرعی موضوعی

TC

تقسیم فرعی موضوعی

ریه‌

تقسیم فرعی موضوعی

نا‌حیه‌بندی

تقسیم فرعی موضوعی

یا‌دگیری عمیق‌

تقسیم فرعی موضوعی

یا‌دگیری انتقا‌لی‌

تقسیم فرعی موضوعی

شبکه‌ها‌ی کدگذار-کدگشا‌ خودکا‌ر

تقسیم فرعی موضوعی

مهندسی‌ برق‌

عنصر شناسه ای

برق‌

کد نقش

پ‌

عنصر شناسه اي

نیلوفر دلفا‌ن‌

عنصر شناسه اي

استاد راهنما: ابریشمی‌ مقدم‌، حمید

عنصر شناسه اي

استاد راهنما: فروزانفر، محمد

عنصر شناسه اي

استاد مشاور: مدرسی‌، محمدرضا‌

کد کاربرگه

۸۸۸۲

نوع ماده

CF

سطح دسترسي

دانشکده‌ برق‌