19927

۱۹۹۲۷

قطعه بندي توده ها در تصاوير سه بعدي ABUSبه كمك يادگيري عميق

كارشناسي ‌ارشد

هوش مصنوعي

1394-139۷

۱۳۹۷/۵/۶

دكتر محسن سرياني

كامپيوتر

سرطان پستان دومين عامل مرگ زنان در جهان است. بيش از ٪ ٨زنان در طول زندگͬ خود از اين بيماري رنج مͬ برند. اين بيماري هر چه زودتر تشخيص داده شود، احتمال موفقيت درمان آن بيشتر خواهد بود. ي ͬͺاز روش هاي تشخيص سرطان پستان بررسͬ تصاوير ماموگرافͬ است. امروزه بدليل مشͺلات ماموگراف،ͬ استفاده از تصاوير فراصوت براي تشخيص سرطان پستان در حال افزايش است. ي ͬͺاز انواع سيستم هاي تصوير برداري پستان، ١ ABUSاست. اين نوع تصويربرداري داراي مزاياي زيادي نسبت به ماموگرافͬ و ساير روش هاي تصويربرداري فراصوت است. طراحͬ ي ͷسيستم تشخيص به كم ͷكامپيوتر براي تحليل تصاوير فراصوت در كنار رايج شدن اين نوع تصويربرداري ضروري است. اين سيستم ها معمولا داراي چهار بخش پيش پردازش، قطعه بندي، استخراج ويژگͬ و طبقه بندي هستند. افزايش دقت قطعه بندي باعث افزايش دقت در كل سيستم مͬ شود. در اين بخش مرزبندي بين ناحيه ي مشͺوك و بافت اطراف آن مشخص مͬ شود. تاكنون روش هاي بسياري براي قطعه بندي تصاوير پزش ͬͺبه كار برده شده است كه ي ͬͺاز آن ها استفاده از شبͺه هاي عصبي است. در اين پژوهش با استفاده از ي ͷشبͺه عصبي عميق كه از معماري U-netبهره مͬ برد توده هاي سرطانͬ در تصاوير ABUSقطعه بندي شده اند. در اين روش جهت بهبود عملͺرد شبͺه از رويͺردي جديد براي پس پردازش استفاده شده است. همچنين با اضافه كردن ي ͷكانال موازي با كانال اصلͬ به معماري ، U-netعملͺرد شبͺه بهبود داده شده است. مجموعه دادگان مورد استفاده از ٣٢بيمار جمع آوري شده است و شامل ۵٠توده ) ٣٨توده بدخيم و ١٢توده خوش خيم( است. براي ارزيابي دقت قطعه بندي از معيار ضريب Diceاستفاده شده است. دقت به دست آمده روي مجموعه دادگان مورد استفاده در اين پژوهش ٠/٧٧است. اين دقت از تمامͬ روش هاي ارائه شده براي قطعه بندي تصاوير سه بعدي ABUS در پژوهش هاي پيشين بالاتر است

1397/10/17

Mass segmentation in 3D ABUS images using deep learning

7/28/2018 12:00:00 AM

Automated 3-D breast ultrasound(ABUS) is a novel system for breast screening. It has been proposed as a supplementary modality to mammography for detection of breast cancers. Although ABUS has better performance for dense breasts, reading ABUS images is time consuming and exhausting. A computer aided detection (CAD) system can be helpful for interpretation of ABUS images. Mass Segmentation in CADe and CADx systems play a main role because it affects the performance of succeeding stages. Besides, it is a very challenging task because of the large variety in size, shape and texture of masses. Moreover imbalanced datasets make segmentation harder. A novel mass segmentation approach based on deep learning is introduced in this thesis. The deep network that is used in this study for image segmentation is inspired by U-net which has been used broadly for dense segmentation in recent years. The 3D U-nets fed with two different resolutions in order to provide both local and contextual information simultaneously to the network. Performance was determined using a dataset of 50 masses including 38 malignant and 12 benign masses. The proposed segmentation method attained a mean Dice of 0.77 which outperforms a two stage supervised method with a mean Dice of 0.74 and an adaptive region growing method with a mean Dice of 0.65.