27915

كلاس بندي تصاوير پزشكي با استفاده از شبكه هاي عصبي كانولوشن عميق

كارشناسي ارشد

مهندسي برق -- الكترونيك

1401

1401/09/28

دكتر احمد آيت اللهي

---

مهندسي برق

امروزه بخش عظيمي از تصاوير پزشكي به فرم ديجيتال توليد و ذخيره مي¬شوند، اين امر سبب شده است، مديريت پايگاه‌هاي داده پزشكي بزرگ، از پيچيدگي‌هاي فراواني برخوردار شوند. رشد روزافزون پايگاه داده‌هاي با حجم بزرگ درزمينه هاي مختلف پزشكي همچون تشخيص به كمك كامپيوتر، تحقيقات و آموزش كادر پزشكي نياز به سيستم هاي كلاس‌بندي تصوير را بيش‌ازپيش ضروري ساخته است. فهم يك تصوير و درك محتوا از مهمترين چالش هاي پيش رو در يادگيري و بينايي ماشين است. به دست آمدن يك بينش مفيد بر اساس آموزش تعداد زيادي از تصاوير با محتوا و اشياء متنوع در دامنه تصوير، به درك عميقي از اطلاعات معنايي نهفته در تصاوير منجر خواهد شد.¬ روش يادگيري عميق يكي از تكنيك‌هاي يادگيري ماشين است كه در بسياري از برنامه‌ها مانند كلاس‌بندي، تجزيه ‌و تحليل تصوير و تشخيص اشيا مورداستفاده قرار مي‌گيرد. امروزه به دليل استفاده گسترده از تصاوير ديجيتالي به‌عنوان منابع اطلاعاتي در بيمارستان‌ها، بايگاني تصاوير پزشكي به‌طور چشمگيري در حال رشد است. تصاوير ديجيتالي نقش مهمي در پيش‌بيني انواع بيماري‌ها دارند و كاربردهاي گسترده‌اي از آن‌ها در تشخيص و تحقيقات وجود دارد. در اين تحقيق يك روش براي كلاس‌بندي تصاوير پزشكي با استفاده از روش يادگيري عميق ارائه‌شده است. در ابتدا ما از روش تركيب ماژول‌هاي توجه و شبكه از پيش آموزش داده‌شده براي كلاس‌بندي مجموعه داده پيشنهادي استفاده كرديم اما با توجه به نتايج به‌دست‌آمده، متوجه شديم كه دو¬ شبكه¬ي از پيش آموزش داده‌شده براي مجموعه داده پيشنهادي مناسب نمي¬باشد و درنتيجه به طراحي شبكه موردنظر براي مجموعه داده مذكور بر مبناي شبكه Vgg16 پرداختيم و با تغيير در تعداد لايه‌ها، نرخ يادگيري و ساير پارامترها به‌دقت 99.07 براي مجموعه داده پيشنهادي دست‌يافتيم.

1401/12/04

Classification of medical images using deep convolutional neural networks

12/19/2023 12:00:00 AM

Nowadays, a huge part of medical images are produced and stored in digital form, this has caused the management of large medical databases to have many complications. The ever-increasing growth of large-volume databases in various medical fields, such as computer-aided diagnosis, research and training of medical personnel, has made the need for image classification systems more necessary than before. Understanding an image and the content is one of the most important challenges in machine learning and vision. Obtaining a useful insight based on the training of a large number of images with diverse content and objects in the image domain will lead to a deep understanding of the semantic information hidden in the images. Deep learning method is one of the machine learning techniques used in many applications such as classification, image analysis and object recognition. Today, due to the widespread use of digital images as information sources in hospitals, the archive of medical images is growing significantly. Digital images play an important role in predicting all kinds of diseases and there are wide applications of them in diagnosis and research. In this thesis, a method for classifying medical images with deep learning method is presented. At first, we used the method of combining attention modules and pre-trained network to classify the proposed data set, but according to the results, we found that two pre-trained networks for this data set The proposal is not suitable and as a result, we designed the desired network for the mentioned data set based on the Vgg16 network and by changing the number of layers, learning rate and other parameters, we achieved an accuracy of 99.07 for the proposed data set

شبكه عصبي , كلاس‌بندي تصاوير پزشكي , يادگيري عميق

neural network , classification of medical images , deep learning

rasul makhsus

ahmad ayatollahi