مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

10
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

0
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

بخش بندی تصاویر MR با استفاده از معماری U-Net مبتنی بر Inception و اتصالات پرشی بالا

صفحات

 صفحه شروع 63 | صفحه پایان 88

چکیده

 تصویربرداری پزشکی یک تکنیک غیرتهاجمی می باشد که باعث توسعۀ قابل توجه در تشخیص و شناسایی بیماری های انسان شده است. در بین تمام تکنیک های تصویربرداری پزشکی, روش تصویربرداری تشدید مغناطیسی (MRI) دارای محبوبیت بیشتری است. این روش, برای سلامت انسان مضر نیست و می تواند تصویربرداری از جزئیات مغز انسان را با کیفیت بالایی انجام دهد. بخش بندی صحیح تومور مغزی در تصاویر MR دارای اهمیت بالایی می باشد. روش های سنتی برای بخش بندی تصاویر پزشکی زمان بر بوده و نیازمند تخصص بالایی هستند. روش های یادگیری عمیق نیز برای بخش بندی تومور مغزی از روی تصاویر MR معمولاً از لایه های کانولوشن عادی استفاده می کنند که در این صورت توانایی تشخیص ساختارهای ریزمقیاس و بزرگ مقیاس را نخواهند داشت. در این پژوهش یک روش نوین مبتنی بر یادگیری عمیق برای بخش بندی تومور مغزی بر روی تصاویر MR ارائه شده است. روش پیشنهادی تعمیمی از معماری معروف U-Net می باشد با این تفاوت که به جای لایه های کانولوشن عادی از ماژول Inception استفاده شده است. ماژول Inception به علت استفاده از کرنل های کانولوشن با اندازه های مختلف به موازات یکدیگر می تواند ویژگی های ریزمقیاس و بزرگ مقیاس را از تصویر استخراج کند. در معماری مدل پیشنهادی برای بهبود جریان اطلاعات در مرحلۀ انتشار رو به جلو از اتصالات پرشی بالا استفاده می شود. همچنین یک روش پیش پردازش نوین بر پایه مُدِ تصویر نیز در این پژوهش ارائه شده که شدت تصویر را با استفاده از مُدِ تصویر نرمال سازی می کند. روش پیشنهادی بر روی مجموعۀ دادۀ BraTS 2022 مورد ارزیابی قرار گرفته و نتایج دقت به دست آمده برای ضریب تشابه دایس با مقدار 0.91 بیانگر بهبود دقت تشخیص می باشد. نتایج ارزیابی نشان می دهد که هم فرضیۀ ارائه شده در مورد تأثیر اتصالات پرشی بالا در بهبود جریان اطلاعات و یادگیری درست بوده و هم استفاده از ماژول Inception توانسته به طور قابل توجهی معیارهای ارزیابی مدل را بهبود ببخشد.

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button