|
Abstract
|
این پژوهش به تشخیص و قطعه بندی برخی از انواع تومور های مغزی می پردازد. تومورهای مغزی اولیه (تومورهای مغزی که از متاستازها به وجود نمی آیند) ممکن است در دسته های مختلفی طبقه بندی شوند که شایع ترین آنها گلیوما و مننژیوم می باشد. این پژوهش بر روی مورد خاص مننژیوم متمرکز خواهد شد و یک روش تشخیص تمام اتوماتیک و قطعه بندی دقیق برای تومورهای مغزی در تصاویر تشدید مغناطیسی (MRI) را بیان می کند. این رویکرد اساساً قطعه بندی کانتور فعال هندسی را با مقدار دهی اولیه مبتنی بر یادگیری عمیق ترکیب می کند.
به عنوان یک مرحله پیش پردازش, از یک فیلتر ناهمسانگرد برای صاف کردن تصویر استفاده می شود و پس از آن, فرآیند قطعه بندی در دو مرحله صورت می پذیرد: اولین مرحله مبتنی بر یادگیری انتقالی است, که در آن یک شبکه عصبی پیچشی از پیش آموزش دیده همراه با یک آشکارساز با استفاده از مجموعه آموزشی از 388 تصویر T1 MRI با کنتراست وزن دار که حاوی تومور مغزی (Meningioma) هستند, تنظیم می شود. این شبکه آموزش دیده قادر است به طور خودکار محل تومور را با ایجاد یک جعبه مرزی با مختصات خاص تشخیص دهد. مرحله دوم با استفاده از مختصات جعبه مرزی برای مقدار دهی اولیه کانتور فعال هندسی که به طور مکرر به سمت مرزهای تومور تکامل می یابد, انجام می شود. در تصویر برداری پزشکی, تشخیص دقیق و فرآیند قطعه بندی تومورها نقش مهمی در درمان آنها دارد. در این پژوهش , با ادغام سه مرحله اساسی, روشی برای قطعه بندی کاملاً خودکار تومورها در تصاویر MRI ایجاد شده است: یک فیلتر تصویر ناهمسانگرد به عنوان یک مرحله پیش پردازش, یک شبکه عصبی پیچشی عمیق برای تشخیص تومور و یک مدل کانتور فعال مجموعه سطح جهت قطعه بندی نهایی.
هر یک از این سه مرحله ممکن است تا حدی مستقل از بقیه در نظر گرفته شود و با دستورالعمل های متفاوت انجام پذیرد. با این حال, ترکیب دقیق دستورالعمل های مختلف, برای نتیجه نهایی ضروری می باشد. سهم عمده این پژوهش ابداع ترکیبی است که منجر به اجرای بسیار خوبی می شود: فیلتر Perona-Malik برای پیش پردازش, یک شبکه عصبی تشخیص ترکیبی از یک طبقه بندی از پیش آموزش دیده CNN (ResNet-18) و آشکارساز Faster-RCNN و در نهایت, یک سطح در حال گسترش از نوع eikonal مدل کانتور فعال را برای قطعه بندی تنظیم می کند.
این روش در خودکارسازی قطعه بندی مننژی
|