28863

ناحيه بندي بطن چپ درتصاويرMRI قلبي با استفاده از يادگيري عميق

كارشناسي ارشد

مهندسي پزشكي

1399

1402/4/4

دكتر حميد بهنام

مهندسي برق

بطن ها دو حفره تحتاني قلب هستند كه توسط ديواره هاي قطور و محكم ماهيچه ها از يكديگر جداشده اند. بطن چپ خون اكسيژنه را دريافت ميكند و آن را به سراسر بافتهاي بدن مي فرستد. تقريبا تمام راس قلب از اين بطن درست شده است. در اكثر مواقع نارسايي هاي قلبي، بطن چپ را دچار اختلال مي كند از اين رو ناحيه بندي بطن چپ از مجموعه داده هاي تشديد مغناطيسي قلبي(MRI) يك گام اساسي براي تشخيص زودهنگام بيماري و محاسبه شاخص هاي كلينيكي است. قبل از ظهور يادگيري عميق، روشهاي يادگيري ماشين سنتي مانند روش‌هاي مبتني بر مدل( به عنوان مثال، شكل فعال و مدل‌هاي ظاهرفعال) و روش‌هاي مبتني بر اطلس عملكرد خوبي را در تقسيم‌بندي تصوير قلبي نشان داده اند. با اين حال، آن‌ها اغلب به مهندسي ويژگي قابل‌توجهي يا دانش قبلي نياز دارند تا به دقتي متوسط دست يابند. در مقابل، الگوريتم ‌هاي مبتني بر يادگيري عميق به طور خودكار ويژگي‌هاي پيچيده از داده براي تشخيص جسم و بخش‌بندي را كشف مي‌كنند روش هاي مختلفي براي ناحيه بندي بطن چپ مانند استفاده از روش تركيبي كانولوشن و مدل هاي تغيير شكل پذير، روش كانولوشن انتها به انتها، تركيب دو شبكه مختلف مانند CNN و UNet استفاده مي شود. مدل هاي الهام گرفته از UNet در حال حاضر پيشرفته ترين روش ها براي ناحيه بندي تصاوير پزشكي است به همين دليل در اين پروژه از تصاوير MRI قلبي و از دو شبكه رزنت و UNet براي ناحيه بندي بطن چپ استفاده شده است. شبكه رزنت براي مشخص كردن ROI بطن چپ و از شبكه UNet براي ناحيه بندي بطن چپ استفاده شده است. در اين تحقيق از مجموعه داده¬هاي Sunnybrook استفاده شده است. اين تصاوير شامل 20 فاز قلبي است كه پزشكان خطوط اندوكارد و اپي كارد را در مرحله پايان سيستول و دياستول رسم كرده اند. براي ارزيابي مدل از شاخص هاي Dice و صحت استفاده شد كه مقدار آنها به ترتيب 66.6 و94.55 درصد مي باشد.

1402/07/23

Left ventricular segmentation on cardiac MRI images using deep learning

6/24/2024 12:00:00 AM

The ventricles are the two lower chambers of the heart, which are separated from each other by thick and strong walls of muscles. The left ventricle receives oxygenated blood and sends it to whole body tissues. almost the apex of the heart is made more than the left ventricle. In most cases, heart failure affects the left ventricle, so the segmentation of the left ventricle from the magnetic resonance image (MRI) is a fundamental step for calculation clinical indicators .Before the advent of deep learning, traditional method(such as active surface techniques and active appearance) and multi-atlas method have shown good performance in classification of cardiac image. in contrast, deep learning algorithms automatically detect complex features of data for object recognition and segmentation. different methods for left ventricular segmentation are used such as convolution and deformable models , parallel end-end deep convolutional neural networks , combination of two different networks such as Cnn and UNet. Currently, the inspired models by UNet are the most advanced methods for segmentation medical images, so that in this project are used cardiac MRI images and two networks (Resnet and Unet) for left ventricle segmentation. The Resnet network was used to determine the ROI of the left ventricle and the Unet network was used to segmentation the left ventricle. in this research , Sunnybrook data set is used. these images consist of twenty cardiac phases , which doctors have drawn endocardium and epicardium contours at the end of systolic and diastolic. Dice and accuracy indicators were checked, which are 66.6 and 95.45%, respectively.

تصاوير ام آر آي قلبي , يادگيري عميق , بطن چپ , شبكه رزنت , شبكه يونت

Cardiac MRI images , Deep learning , Left ventricle , Resnet Network , Unet network

Haniyeh roozbahani

Dr.Hamid Behnam