27674

شناسايي پليپ هاي روده بزرگ با استفاده از پردازش تصاوير كولونوسكوپي

كارشناسي ارشد

مهندسي برق- الكترونيك ـ ديجيتال

1399

1401/9/22

شهريار برادران شكوهي - عبدالله اميرخاني

پرديس دانشگاهي - دانشكده مهندسي برق

سرطان¬هاي دستگاه گوارش يكي از شايع¬ترين سرطان¬هاي دنيا محسوب مي¬شوند و در اين بين، سرطان روده بزرگ بيشترين تعداد ابتلا و مرگ ناشي از آن را دارا مي¬باشد. در حال حاضر، كولونوسكوپي مهم¬ترين روش تشخيص سرطان روده بزرگ است اما تحقيقات انجام شده نشان مي¬دهد كه در اين روش نيز احتمال خطاي بالايي در شناسايي پليپ روده وجود دارد. يكي از روش¬هاي كاهش اين خطا استفاده از هوش مصنوعي و پردازش تصاوير كولونوسكوپي براي شناسايي پليپ روده مي¬باشد. يكي از ملزومات استفاده از شبكه¬هاي يادگيري عميق وجود داده مناسب براي آموزش آن¬ها مي باشد. اين مسئله براي كار در زمينه پزشكي چالش بيشتري را در پي دارد و وجود داده كافي مهم¬ترين مسئله براي استفاده از يادگيري عميق در تشخيص بيماري تلقي مي¬شود. در اين تحقيق، از تركيب ساختارهاي شبكه عصبي كانولوشني و ترنسفرمر استفاده شده و مدلي براي قطعه¬بندي پليپ روده معرفي شده است. همچنين پايگاه داده¬هاي موجود براي استفاده در تشخيص پليپ روده از كشورها و مراكز درماني مختلف جمع¬آوري شده و پايگاه داده¬اي جامع براي آموزش مدل¬هاي يادگيري عميق درنظر گرفته شده است. مدل معرفي شده در اين تحقيق با استفاده از 5 پايگاه داده مورد ارزيابي قرار گرفت و در مقايسه با مدل¬هاي قبلي بر روي پايگاه داده¬هاي Kvsir-seg و CVC-ClinicDB در معيار دايس به ترتيب 1.3% و 2.1% بهتر عمل كرده است. همچنين بر روي پايگاه داده¬هاي CVC-ColonDB، ELIS و CVC-300 نيز 5.6%، 11.2% و 3.7% بهبود داشته است.

1401/10/18

Detection of colorectal polyps using colonoscopy images processing

1/1/1900 12:00:00 AM

One of the most common cancers in the world is gastroenterological cancer, and colon cancer has the highest incidence and mortality rates. While colonoscopy is currently the most widely used method for diagnosing colon cancer, researchers have discovered that it can also lead to a high rate of error in detecting polyps. In order to reduce this error, artificial intelligence can be used to process colonoscopy images and detect colorectal polyps. It is essential that suitable data exists for training deep learning networks. In the field of medicine, this issue poses more challenges, and acceptable data is required to use deep learning in disease diagnosis. In this study, convolutional neural networks are combined with transformer structures to design a model for colorectal polyps segmentation. Additionally, we have collected databases from a variety of countries and medical centers to train deep learning models that can diagnose intestinal polyps. A comparison of this model to previous models revealed that this model performed 1.3% and 2.1% better on Kvsir-seg and CVC-ClinicDB databases, respectively, in Dice metric. In CVC-ColonDB, ELIS, and CVC-300 databases, it also improved by 5.6%, 11.2%, and 3.7%, respectively.

سرطان روده بزرگ , ترنسفرمر , كولونوسكوپي , يادگيري عميق , شبكه عصبي

colorectal cancer , Transformer , colonoscopy , Deep Learning , neural networks

Javad Mozafari

Dr. Baradaran Shokoohi