26205

قطعه‌بندي تومور مغزي در تصاوير MRI با استفاده از شبكه‌هاي عصبي عميق

كارشناسي ارشد

هوش مصنوعي و رباتيكز

1397

1400/08/30

دكتر محسن سرياني

دكتر محمدرضا محمدي

مهندسي كامپيوتر

قطعه‌بندي تومورهاي مغزي يك امر مهم در پردازش تصاوير پزشكي است و مي‌تواند به پزشكان در برآورد دقيق ناحيه تومور كمك كند. به دليل متفاوت بودن تومورها ازنظر شكل، اندازه و موقعيت قرارگيري در هر بيمار، قطعه‌بندي تومورهاي مغزي با چالش‌هايي روبرو است. روش جديد يادگيري ماشين به نام يادگيري عميق محدوديت روش‌هاي سنتي يادگيري ماشين را برطرف مي‌كند. همچنين اين روش مسئله وجود داده‌هاي زياد را بهتر مديريت مي‌كند تا بتوان اطلاعات مناسبتري را از اين دادهها استخراج كرد. قطعه‌بندي تومورهاي كوچك دشوارتر از تومورهاي بزرگ است. در اين پايان‌نامه با ارائه روشي مبتني بر يادگيري عميق، بر اين مشكل غلبه مي‌كنيم. در اين روش با استفاده از كانولوشن‌ قابل تغييرشكل به همراه كانولوشن‌ گسترش‌يافته در UNet، دقت قطعه‌بندي تومور را بالا مي‌بريم. كانولوشن قابل تغييرشكل ياد مي‌گيرد كه كدام همسايگي را در محاسبه خروجي دخيل كند؛ يعني با توجه به‌اندازه شي‌ء موردنظر، هسته كانولوشن گسترده يا فشرده مي‌شود. اين ويژگي كانولوشن‌ قابل تغييرشكل باعث مي‌شود اطلاعات مكاني بيشتري در اختيار شبكه قرار گيرد و بنابراين دقت تشخيص تومور افزايش پيدا مي‌كند. اين كانولوشن‌ را همراه با ايده كانولوشن‌ گسترش‌يافته استفاده مي‌كنيم. در كانولوشن‌ گسترش‌يافته، اندازه هسته كانولوشن با نرخ گسترش متفاوت، افزايش مي‌يابد و درنتيجه ميدان دريافت بزرگ‌تري خواهيم داشت بدون اينكه رزولوشن را از دست بدهيم. اين ايده را بر روي معماري UNet پياده‌سازي مي‌كنيم. نتايج نشان مي‌دهد كه روش ما توانسته در معيارهاي دايس و IOU بهبود خوبي ايجاد كند. اين مقدار بهبود در دودسته whole و core بيشتر از ساير روش‌هاست(معيار دايس براي whole از 0.8760 به 0.8877، براي core از 0.8555 به 0.8673). در دسته enhancing ميزان بهبود كمتر است(معيار دايس براي enhancing از 0.8099 به 0.8165). علاوه براين ما در مدل پيشنهادي خود از ماژول توجه فشرده‌سازي و تحريك استفاده كرديم كه بهبود مناسبي ايجاد نكرد اما استفاده از ايده نرخ گسترش افزايشي و سپس كاهشي همراه با مدل پيشنهادي خود توانست در core و enhancing بهبود ايجاد كند( معيار دايس براي core از 0.8555 به 0.8683 و براي enhancing از 0.8099 به 0.8176).

1400/12/07

Brain Tumor Segmentation in MRI images with Deep Convolutional Neural Networks

1/1/1900 12:00:00 AM

Magnetic resonance imaging (MRI) is usually the modality of choice for structural brain analysis. Early diagnosis of brain tumors plays an important role in improving treatment possibilities and increases the survival rate of the patients. Machine learning is a set of algorithmic techniques that allow computer systems to make predictions from large data. Segmentation of small tumors is hard compared to big ones. In this study, we introduce a deep learning based method that improves the segmentation accuracy of small brain tumors. In this method we propose a new module for UNet architecture. The module consists of deformable convolution with different dilation rates. The receptive field and the sampling locations in the standard convolution are fixed but they are adaptively adjusted according to the objects’ scale and shape in deformable convolution. It adds 2D offsets to the regular grid sampling locations in the standard convolution. It enables free form deformation of the sampling grid. With this type of convolution the receptive field will deform based on the object shape. This feature helps us to segment tumors with different shapes and sizes without loosing resolution. We also use the idea of dilated convolutions. In this convolution the receptive field expands with a dilation factor. We used Brats2020 dataset to train and test the network, and segment the brain tumor. The results are evaluated in terms of Dice, Precision, Recall, IoU and loss function. We compare the proposed method with state-of-the-art deep learning models and achieve competing results in whole, core and enhancing parts of the tumor (Dice for whole tumor from 0.8760 to 0.8877, core tumor from 0.8555 to 0.8673 and for enhancing from 0.8099 to 0.8165). We also use squeeze and excitation module with the proposed method. Results didn't show improvement but when we first apply ascending dilation rate and then descending ones, the result of core and enhancing will improve (Dice for core from 0.8555 to 0.8683 and for enhancing from 0.8099 to 0.8176).

يادگيري عميق , قطعه بندي , يادگيري ماشين , تومور , كانولوشن گسترش يافته , كانولوشن قابل تغييرشكل

unet , mri

nasim amini

dr.mohsen soryani