تشخیص تومور مغزی با روش مبتنی بر یادگیری عمیق

سال انتشار: 1398
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 3,350

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

DSCONF06_238

تاریخ نمایه سازی: 23 شهریور 1398

چکیده مقاله:

یکی از چالشهای اصلی در درمان تومور و ارزیابی میزان پیشرفت بیماری، تشخیص اندازه تومور است. بخش بندی دستی تومور مغزی در تصاویر MRI سه بعدی MRI) حجمی) کاری بسیار زمانبر و خسته کننده است و دقت ان به شدت وابسته به میزان تجربه اپراتوری است که این کار را انجام میدهد. نیاز به روشی کاملا اتوماتیک و دقیق برای بخش بندی تومور مغزی و اندازه گیری اندازه تومور به شدت احساس میشود . در واقع در این مقاله ابتدا از یک روش ترکیبی CNN-LSTM برای تشخیص تومور HG و LG در تصاویر سه بعدی مغز استفاده میشود. سپس یک روش بخش بندی تومور مغزی کاملا اتوماتیک با استفاده از U-Net که مبتنی بر شبکه convolutional عمیق است، پیشنهاد میشود. روش پیشنهادی بر روی مجموعه داده BRATS 2018 ازمایش میشود. این مجموعه داده شامل 101 تصویر HGG1 و 75 تصویر LGG2 می باشد. الگوریتم بخش بندی میتواند هر تصویر را به 4 ناحیه مختلف necrosis، edema، non-enhancing و enhancing tumor تقسیم میکند و از بخشبندی دستی به عنوان معیار درستی3 استفاده میشود. نتایج این مقاله نشان دادند که روش پیشنهادی میتواند به طور موثری بخش بندی را انجام دهد.

کلیدواژه ها:

نویسندگان

راضیه کاظمی

کارشناس ارشد مهندسی برق، دانشگاه فردوسی مشهد

حمیده لاری گل

دانشجوی دکتری مهندسی پزشکی، دانشگاه ازاد اسلامی مشهد