30956

قطعه‌بندي پوليپ در تصاوير كولونوسكوپي روده‌ي بزرگ با استفاده از يادگيري عميق

كارشناسي ارشد

مهندسي برق- الكترونيك ـ ديجيتال

1400

1402/11/29

شهريار برادران شكوهي

ندارم

مهندسي برق

سرطان روده بزرگ با رشد پوليپ هاي بدخيم ايجاد مي شود و با تشخيص به موقع پوليپ روده بزرگ مي توان از ايجاد و پيشرفت سرطان جلوگيري كرد. اين كار با پردازش دقيق تصاوير كولونوسكوپي قابل انجام است. امروزه با پيشرفت مدل هاي يادگيري عميق، امكان پردازش دقيق تصاوير كولونوسكوپي وجود دارد. اما يكي از مهم ترين چالش ها در اين مسير وجود داده مناسب براي آموزش مدل هاي يادگيري عميق مي باشد. در اين تحقيق براي حل اين مسئله، يك ديتاست پوليپ روده بزرگ با جامعه ي آماري بيشتر نسبت به ديتاست هاي قبلي معرفي شده است. همچنين براي اولين بار اطلاعات مربوط به گزارش باليني هر بيمار كه توسط متخصص گوارش تهيه شده است. فراهم آورده شده است. علاوه¬بر اين، يك مدل يادگيري عميق براي بررسي اين ديتاست طراحي شده است كه در مقايسه با مدل هاي پيشرفته عملكرد بهتري دارد. در اين مدل ماژول توجه جهاني براي استفاده از ويژگي هاي مهم تر استخراج شده از داده معرفي خواهد شد. همچنين ماژول تجمع چندمقياسي براي تركيب ويژگي هاي انتخاب شده به بهترين صورت نيز معرفي شده است. در اين مدل امكان استفاده از متن و تصوير به عنوان ورودي وجود دارد كه با استفاده از آن ديتاست معرفي شده مورد ارزيابي قرار خواهد گرفت. همچنين نتايج بدست آمده از مقايسه اين مدل با مدل هاي پيشرفته نشان مي دهد كه در معيار دايس و IoU به ترتيب 2.7% و 2.5% بهتر عمل كرده است.

1403/03/26

Segmentation of Polyps in Colonoscopy Images Using Deep Learning

1/1/1900 12:00:00 AM

Colorectal Cancer (CRC) is caused by malignant polyps that grow on the colon walls. Early detection of colorectal polyps can prevent cancer occurrence and progression. Colonoscopy is one of the most effective methods for the detection of polyps. Deep learning algorithms have been used for medical image processing in different fields, including colonoscopy. The main challenge with using deep learning models for colonoscopy image processing is the lack of suitable data to train the models. In order to address this issue, in this study, we introduce a new colorectal polyp dataset with a larger statistical population than previous datasets. Moreover, we provide the first clinical reports of colonoscopy related to patients that can be used for the purpose of training visual-language models and report generation. To prepare a benchmark for the introduced dataset and clinical report, we have developed a deep learning model that outperforms other state-of-the-art methods. The proposed model consists of Global Attention Module (GAM) in order to emphasize the most important features extracted from the data. Additionally, Multi-Scale Aggregation Module (MSAM) is designed to combine selected features in the most efficient way. Results indicate that the proposed model performs better than state-of-the-art studies by 2.7% and 2.5%, respectively, in mDice and mIoU.

كولونوسكوپي , سرطان روده ي بزرگ , يادگيري عميق , پوليپ , قطعه بندي

colonoscopy , Colorectal cancer , Deep Learning , polyp , segmentation

Mahdiye Aliloo

Dr. Shahriyar Baradaran Shokoohi