10746

بهبود عملكرد Dark-Nets براي طبقه‌بندي و بخش‌بندي تومور‌‌ ‌مغزي با استفاده از تكنيك‌هاي سوپر‌پيكسل مبتني بر نقشه‌ رنگ

بهمن1399

دكتر ستار ميرزاكوچكي

تومور مغزي كشنده‌ترين بيماري در بزرگسالان است. به‌خاطر اين‌كه يك توده غيرعادي از سلول‌ها كه به سرعت رشد مي‌كنند و عملكرد مناسب اندام‌ها را تغيير مي‌دهند، بروز مي‌كند. در عمل باليني، از روش‌هاي مختلف تصاوير راديوگرافي براي تشخيص انواع تومورهاي مغزي، اندازه و محل آن‌ها مورد استفاده قرار مي‌گيرند. هدف از كار پيشنهادي، طبقه‌بندي خودكار، تعيين محل و تقسيم‌بندي تومورهاي مغزي از مجموعه داده‌هاي تصوير رزونانس مغناطيسي T1W-CE (MRI) مي‌باشد. مجموعه داده T1C به 1:1:8، يعني 80% مجموعه آموزشي، 10% از هر اعتبارسنجي، و مجموعه تست تقسيم مي‌شود. براي پرداختن به انطباق بيش از حد مسائل، مجموعه‌داده‌هاي آموزشي با استفاده از تجزيه موجك دو سطحي و عمليات هندسي (اندازه، چرخش، جابه‌جايي) تقويت مي‌شود. عملكرد مدل دارك‌نت از پيش آموزش‌ديده، (دارك‌نت-19، دارك‌نت-53) براي طبقه‌بندي و مكان‌يابي چند‌‌‌طبقه‌اي تومورهاي مغزي مورد‌ارزيابي قرار مي‌گيرد. بهترين مدل دارك‌نت از پيش‌آموزش‌ديده به99.60 درصد دقت آموزش و 98.81 درصد صحت اعتبارسنجي دست يافته است. پارامترهاي ارزيابي عملكرد، برتري روش پيشنهادي مجموعه داده‌هاي T1W-CE MRI را در مقايسه با جديدترين روش‌هاي موجود تاييد مي‌كند. در 1070 تست T1W-CE ، بهترين مدل از پيش‌آموزش‌ديده (دارك‌نت-53)، 98.54 درصد دقت آزمايش و ناحيه تحت منحني (AUC) برابر با 99/0 را به دست آورده است. تومور با استفاده از روش‌ بخش‌بندي سوپرپيكسل دوبعدي با ميانگين شاخص دايس برابر با 2.6% ±94% در 793 داده‌هاي آزمايش تومور‌ مغزي بخش‌بندي شده ‌است. براي اثبات برتري روش پيشنهادي، اين روش بر روي تصاوير MRI از مجموعه‌داده BraTS 2018 پياده‌سازي شده است. تجزيه و تحليل مقايسه‌اي پارامترهاي ارزيابي عملكرد روش پيشنهادي با روش سطح بالا، استحكام و اهميت باليني آن‌‌را

5/25/2022 12:00:00 AM

74911

1401/03/08

Enhanced performance of Dark-Nets for brain tumor classification and segmentation using colormap-based superpixel techniques