19403

۱۹۴۰۳

طبقه‌بندي خودكار اسكن‌هاي تموگرافي كامپيوتري سرطان كبد با الگوريتم يادگيري عميق

كارشناسي ارشد

نرم‌افزار

۱۳۹۷ - ۱۳۹۵

مهر ۱۳۹۷

دكتر جواد وحيدي

كامپيوتر

چكيده تجزيه‌وتحليل تصاوير پزشكي نقش مهمي در تشخيص بسياري از بيماري‌ها دارد، آناليز خودكار اين تصاوير مي‌تواند به پزشك در تشخيص كمك كرده و همچنين باعث كاهش باركاري گردد. يادگيري عميق يكي از روش‌هاي محبوب براي تجزيه‌وتحليل تصاوير پزشكي بوده و در ميان روش‌هاي مختلف اين زمينه، شبكه عصبي كانولوشن (CNN) به دليل توانايي بالايي كه در استخراج خودكار ويژگي‌هاي سطح بالا از تصاوير دارد، به محبوبيت فراوان رسيده است. در اين پايان‌نامه، سيستم‌هاي براي طبقه‌بندي اسكن‌هاي تموگرافي كامپيوتري (CT) سرطان كبد پيشنهاد كرديم كه در معماري آن‌ها از CNN استفاده شد. CNN به دليل كنتراست پايين اسكن‌هاي CT قادر نبود ويژگي‌هاي مناسبي براي طبقه‌بندي استخراج كند، ازاين‌روي به‌وسيله تكنيك‌هاي پردازش تصوير كنتراست اسكن‌هاي CT را بهبود داديم تا ويژگي‌هاي بهتري استخراج‌كنيم و درنهايت با شبكه‌هاي عصبي‌ چندلايه پرسپترون (MLP) و ماشين بردار پشتيبان (SVM) اين ويژگي‌هاي استخراج‌شده را طبقه‌بندي كرديم. سيستم‌هاي پيشنهادي را با ۵۶۰ اسكن CT سرطان كبد كه زيرمجموعه‌اي از اسكن‌هاي TCGA-LIHC بود، مورد آموزش و آزمودن قرارداديم؛ كه بهترين سيستم پيشنهادي با بهره‌گيري از تكنيك كشش و يكنواخت كردن هيستوگرام به همراه حذف حاشيه‌هاي اسكن، توانست به ۸۸.۱۲۵ درصد صحت در طبقه‌بندي اسكن‌هاي CT سرطان كبد برسد. كلمات كليدي: يادگيري عميق، شبكه عصبي، پردازش تصوير، اسكن تموگرافي كامپيوتري، سرطان كبد

1397/07/03

Automatic Classification of Liver Cancer Computed Tomography Scans with Deep Learning Algorithm

9/24/2018 12:00:00 AM

Abstract The analysis of medical images play a dominante role in the detection of many diseases, the automatic analysis of these images can help the doctor to detection, and also reduce workload. Deep learning is one of the most popular methods for analyzing medical images. Among the various approaches in this field, the Convolutional Neural Network (CNN) has become popular, due to the fact that it has a high ability in automatically extracting high-level features from images. In this thesis, we proposed systems for the classification of liver cancer Computed Tomography (CT) scans which used in their design. The CNN, due to the low contrast of the CT scans, was unable to extract the proper features for classification. Hence, we improved the contrast of CT scans by image processing techniques to extract better feature. Finaly, these features have been classified by Multi-Layer Perceptron (MLP) and Suport Vector Machine (SVM). We trained and tested proposed systems with 560 CT scans of liver cancer which were a subset of TCGA-LIHC. The best proposed system, using the stretch and Equalization histogram technique with removing the margins of the scan, has 88.125% rectitude in Classification of CT scans reached liver cancer. Keywords: deep learning, neural network, image processing, computed tomography scan, liver cancer