تشخيص تومور مغز يكي از موضوعات چالش برانگيز در زمينه تصاوير پزشكي است. با توجه به ماهيت آن، امكان شكل‌گيري تومور در هر جاي مغز با اندازه و شكل‏‌‌‌هاي مختلف، عمل تشخيص را پيچيده‌تر مي كند و اگر اين كار به صورت دستي توسط پزشك انجام شود مشكلاتي از قبيل اشتباهات انساني، زمان‌بر بودن و صرف هزينه بالا را به دنبال خواهد داشت. دلايل بيان شده، ضرورت انجام تشخيص تومور توسط روش‌‌‌هاي هوشمند را دوچندان مي‌كند. در اين پژوهش، براي حل مشكلات گفته شده از روش يادگيري عميق مبتني بر شبكه هاي عصبي كانولوشن استفاده شده است. معماري پيشنهادي، معماري UNet بهبود يافته مي باشد. در اين معماري سعي شده است تا تغييراتي در معماري UNet اصلي جهت بهبود عملكرد كلي شبكه اعمال شود. در اين پژوهش، از فرآيند يادگيري چند نمايي براي آموزش بهتر استفاده شده است كه بنا بر ارزيابي‌ها، نتايج را بهبود داده است. اين نوع آموزش جهت كاهش مشكلات آموزش دو بعدي نسبت به سه بعدي مي باشد. همچنين، به دليل نامتعادل بودن كلاس‌هاي بخش‌بندي تومور مغز، تركيبي از تابع آنتروپي متقاطع و تابع دايس تعميم يافته به عنوان تابع هزينه مورد استفاده قرار گرفته است. شبكه پيشنهادي در چالش بخش بندي تومور مغز BraTS 2018 عملكرد بسيار خوبي از خود نشان داده است. ميانگين دايس حاصل از اين روش ‎89/46‎ ‎، ‎‎82/31‎ و ‎‎81/30‎‎ به ترتيب براي نواحي تومور كامل، تومور هسته و تومور افزايشي با استفاده مجموعه داده اعتبارسنجي 2018 مي‌باشد. واژگان كليدي: يادگيري عميق، تومور مغز، تصاوير MRI، بخش بندي، معماري هاي عميق كانولوشني

1398/03/11

Brain Tumor Segmentation Based on Deep Learning

3/9/2019 12:00:00 AM

Diagnosis of brain tumors is one of the challenging tasks in the field of medical imaging. Due to its nature, the possibility of the emergence of a tumor in the brain with different size and shape makes diagnosis more complicated. Doing it manually may result in human errors. Furthermore it is time-consuming and expensive. These problems indicate that we need an automatic method for this task. In this thesis, deep learning methods based on convolutional neural networks are used to solve these problems. The proposed architecture is an improved version of U-Net. In this architecture, we have tried to modify the original U-Net, to improve the overall performance of the network. We have also used a learning procedure called Multi-View for better learning which, according to the evaluation results, has improved the performance. This kind of training is intended to reduce the problems of two-dimensional training. Also, due to the imbalance of the brain tumor segmentation classes, a combination of the Cross-Entropy Function and the Generalized Dice Function is used as a cost function. The proposed network has shown a great performance in Brats 2018 challenge. The mean of the Dice Score obtained from this method is 89.46, 82.31, and 81.30 for whole tumor, core tumor and enhancing tumor respectively, using the 2018 validation data set. Keywords: Deep Learning, Brain Tumor, MRI, Segmentation, Deep Convolutional Neural Networks