9156

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

كارشناسي

مهندسي برق گرايش الكترونيك

1403

دكتر شهريار برادران شكوهي

1403/06/24

مهندسي برق

Segmentation of Polyps in Colonoscopy Images Using Deep learning

پوليپ‌هاي كولون، توده‌هاي غيرطبيعي از سلول‌ها هستند كه بر روي سطح داخلي روده‌ي بزرگ تشكيل مي‌شوند. بيشتر پوليپ‌ها غيرسرطاني هستند، اما برخي از آن‌ها ممكن است به سرطان كولوركتال تبديل شوند. تشخيص و حذف به‌موقع پوليپ‌ها مي‌تواند به پيشگيري از سرطان كولوركتال كمك كند. چالش‌هاي تشخيص و درمان پوليپ‌ها شامل تنوع در شكل و اندازه، تفاوت رنگ و بافت، تصاوير با كنتراست پايين، و عوامل انساني مانند تجربه و خستگي پزشكان است. در اين تحقيق، دو روش پيشرفته‌ي يادگيري عميق براي قطعه‌بندي پوليپ‌ها بررسي و شبيه‌سازي شده‌اند. ابتدا، مدل MSNet كه بر اساس شبكه‌هاي تفريق چندمقياسي عمل مي‌كند، با استفاده از پنج مجموعه داده استاندارد شاملCVC-ColonDB ، ETIS، Kvasir، CVC-T و CVC-ClinicDB شبيه‌سازي شده و نتايج آن به نتايج اصلي مقاله نزديك بوده‌اند. اين مدل با استخراج ويژگي‌هاي مكمل در سطوح مختلف، دقت بالايي در شناسايي پوليپ‌ها ارائه داده است. دوم، مدل Enhanced U-Net كه با معرفي ماژول‌هاي افزايش‌دهنده‌ي ويژگي‌هاي معنايي و زمينه‌اي بهبود يافته است، با استفاده از ديتاست Kvasir شبيه‌سازي شده است. اگرچه نتايج حاصل از اين مدل به اندازه مدل MSNet مطلوب نبوده‌اند، اما اين مدل همچنان توانسته است ويژگي‌هاي مهم و جزئيات دقيق‌تري را از تصاوير استخراج كند. مقايسه‌ي اين دو روش نشان مي‌دهد كه مدل‌هاي تفريق چندمقياسي مي‌توانند عملكرد بهتري در قطعه‌بندي پوليپ‌ها داشته باشند. نتايج اين پژوهش مي‌تواند به بهبود روش‌هاي موجود در تشخيص زودهنگام و درمان سرطان كولوركتال كمك كند.

پوليپ‌هاي كولون، سرطان كولوركتال، قطعه‌بندي پوليپ، يادگيري عميق، MSNet، Enhanced U-Net، تصاوير كولونوسكوپي، پردازش تصوير پزشكي.