8377

ناحيه‌بندي تعاملي تومور در تصاوير سه‌بعدي پزشكي با استفاده از يادگيري عميق

كارشناسي

مهندسي كامپيوتر

1401

دكتر محمدرضا محمدي

دكتر محمدرضا محمدي

1402/02/01

مهندسي كامپيوتر

Interactive Brain Tumor Segmentation in 3D Medical Images via Deep Learning

ناحيه‌بندي دقيق تصاوير سه‌بعدي مغز انسان براي تشخيص تومور، برنامه‌ريزي درمان و بسياري از كاربردهاي پزشكي مرتبط با سلامت انسان‌ها ضروري مي‌باشد. طي سال‌هاي اخير شبكه‌هاي عصبي عميق به پيشرفته‌ترين روش‌هاي ناحيه‌بندي خودكار تبديل شده‌اند. با اين حال، نتايج مبتني بر روش‌هاي خودكار ممكن است نيازمند اصلاح باشد تا به حدي دقيق شود كه مورد استفاده باليني قرار گيرد. ناحيه‌بندي تعاملي به كاربران اجازه مي‌دهد تا با تعامل خود، نواحي مورد نظر خود را با دقت بيشتري استخراج كنند. اگر چه اين عرصه توسط كارهاي ديگري بررسي شده است، اما همچنان شكافي بين دنياي آكادميك و جهان واقعي و صنعتي وجود دارد. روش‌هاي موجود، مناسب استفاده در سيستم‌هاي كم‌توان نمي‌باشند. همچنين اين روش‌ها براي توليد خروجي مطلوب، نيازمند تلاش زيادي از سمت كاربر مي‌باشند. روش استفاده شده در اين پروژه هر دو مشكل را با به‌روزرساني خروجي در نواحي محلي حل مي‌كند. در اين روش به جاي ناحيه‌بندي تصوير به صورت كامل و يكجا، كه نيازمند توان محاسباتي بالا مي‌باشد، يك ناحيه‌بندي درشت دانه بر روي بُرشي كم وضوح از ناحيه مورد نظر كاربر صورت مي‌گيرد. سپس يك اصلاح محلي صورت مي‌گيرد تا وضوح از دست رفته ناحيه هدف بازيابي شود. همچنين براي جلوگيري از توليد مجدد خروجي براي تمامي نواحي تصوير، از يك تحليل مورفولوژي استفاده مي‌شود تا تنها نواحي نيازمند تغيير اصلاح شوند و جزئيات ساير نواحي با توجه به خروجي قبلي حفظ شود. در اين پروژه، كارايي مناسب اين روش تحت آزمايش‌هاي متعددي اثبات مي‌شود و نتايج تجربي به دست آمده نشان دهنده دو نكته مثبت مي‌باشد. نكته مثبت اول اين است كه، اين روش در مقايسه با ساير روش‌ها، با وجود تعامل كمتر كاربر به نتايج دقيق‌تري دست مي‌يابد. همچنين در مقايسه با روش‌هاي ديگر، اين نتايج در زمان كمتري توليد مي‌شود و نيازمند توان محاسباتي كمتري مي‌باشد. نكته مثبت دوم تعميم قابل قبول اين روش در وظايفي است كه در مرحله آموزش با آنها مواجه نشده است. Accurately segmenting 3D images of the human brain is crucial for medical applications such as tumor diagnosis and treatment planning. Deep neural networks have emerged as the most advanced automatic segmentation method, but they may require modifications for clinical use. Interactive segmentation allows for greater accuracy by incorporating user interactions, but current methods are not suitable for low-power systems and may require significant user effort. This study utilizes a novel method that performs a coarse segmentation on a low-resolution section of the target region, followed by a local refinement to restore lost resolution. To optimize efficiency, morphological analysis is used to modify only areas that need updating while preserving previously obtained results for other regions. Experimental results demonstrate that this method achieves more accurate results with less user interaction and requires less computing power and time compared to other methods. Additionally, this method shows acceptable generalization in tasks not encountered during the training phase.

يادگيري عميق , بينايي كامپيوتر , ناحيه‌بندي تعاملي تصوير , ناحيه‌بندي تومور مغزي , تصاوير سه‌بعدي پزشكي , Deep Learning , Computer Vision , Interactive Image Segmentation , Brain Tumor Segmentation (BraTS) , 3D Medical Images