18585

۱۸۵۸۵

جداسازي هوشمند تومور در تصاوير تشديد مغناطيسي پستان

كارشناسي ارشد

الكترونيك ديجيتال

بهمن ماه ۱۳۹۶

دكتر شهريار برادران شكوهي

برق

تهيه‌ي MRI پستان كمك شاياني به پزشك جهت تشخيص بيماري سرطان پستان مي‌كند. با انجام MRI تعداد داده‌هاي بسيار زيادي براي هر بيمار به‌دست مي‌آيد كه تفسير آن‌ها زمان‌بر و وابسته به تخصص و تجربه‌ي راديولوژيست است، لذا به همين منظور سيستم‌هاي آسيب‌شناسي به كمك كامپيوتر مطرح شده‌اند. هدف اصلي در اين تحقيق، پياده‌سازي الگوريتمي براي تشخيص خودكار تومور در MRI پستان با دقت بالا مي‌باشد، كه به منظور تحقق اين هدف، الگوريتمي هوشمند براي تعيين مرزهاي تومور پيشنهاد شده است. در اين پايان‌نامه، پس از انجام عمليات پيش‌پردازش بر روي تصاوير MRI و بهبود تصوير، از الگوريتم k-means براي خوشه‌بندي اوليه تصوير MRI استفاده شده است. از الگوريتم بهينه‌ساز گروهي ذرات جهش يافته (MPSO)، براي بهينه ساختن مراكز خوشه‌هاي به‌دست آمده و هم‌چنين يافتن پارامترهاي مورد نياز براي اجراي الگوريتم رشد ناحيه‌اي SRG استفاده مي‌شود، اين‌كار به منظور جلوگيري از مداخله‌ي كاربر براي تعيين نقطه‌ي بذر اوليه و مقدار حد آستانه‌ي مورد نياز براي الگوريتم SRG خودكار مي‌باشد. در انتها از الگوريتم رشد ناحيه‌اي SRG براي تعيين دقيق مرز تومور بهره گرفته شده است. پارامترهاي ارزيابي در جداسازي، شامل: حساسيت، خصوصيت و دقت به‌ترتيب، ۹۶/۳۲٪ و ۹۸/۲۸٪ و ۹۷/۹۸٪ بدست آمده است. هم‌چنين مقدار AUC، برابر با ۹۸٪ بدست آمده است. مقادير نشان دهنده‌ي بازده بالاي جداسازي تومور مي‌باشد.

1396/12/16

7/23/2018 12:00:00 AM

Breast MRI system assists the radiologist in detecting breast cancer. MR imaging produces a large number of images. Interpretation and evaluation of these images are time consuming and depends on radiologist’s experience. Thus, Computer-Aided Diagnosis systems are introduced to assist the radiologist. The main target of this study is to implement an intelligent algorithm for automatic detection and segmentation of tumours with high accuracy in Breast MRIs. The boundary of a tumour will be detected by the proposed intelligent algorithms. After preprocessing and enhancement of MR images, k-means algorithm is applied for initial clustering of MRI images. Mutate particle swarm optimization algorithm is used to optimize cluster's centers. Also, the required parameters will be found for running the seed region growing algorithm. This helps to avoid from user interaction for selecting the initial seed and threshold for an automatic seed region growing algorithm which is used for accurate tumour boundary detection. Evaluation parameters in segmentation consist of sensitivity, specificity and accuracy. The achieved values are 96.32%, 98.28%, 97.98% , respectively. Also AUC value is 98%. The achieved results indicate high performance in tumour segmentation.