21219

۲۱۲۱۹

طبقه بندي ندول هاي ريه با استفاده از شبكه هاي عصبي كانولوشن و طراحي آزمايش ها

كارشناسي ارشد

بهينه سازي سيستم ها

۱۳۹۵-۱۳۹۸

۱۳۹۸/۰۳/۲۲

دكتر رسول نورالسناء

دكتر محمدرضا محمدي

صنايع

سرطان ريه كه با رشد و تكثير غيرعادي سلول ها در بافت ريه ايجاد مي شود، بالاترين ميزان مرگ و مير را در بين انواع سرطان ها دارد. سرطان ريه بعد از سرطان پستان و پروستات دومين سرطان رايج در ميان زنان و مردان است. تومورهايي كه در ريه رشد مي كنند ندول ناميده مي شوند كه ممكن است خوش خيم (غيرسرطاني) و يا بدخيم (سرطاني) باشند. علائم سرطان ريه معمولا تا زماني كه سرطان پيشرفت نكند ظاهر نمي شوند. بنابراين تشخيص زودهنگام سرطان ريه يك امر مهم و حياتي در حوزه مراقبت و درمان است. زيرا با تشخيص و درمان به موقع بيماري، مي توان بقاي بيماران مبتلا به سرطان ريه را افزايش داد. يكي از راه هاي تشخيص زودهنگام سرطان ريه تصوير برداري سي تي اسكن است كه به عنوان يك روش غيرتهاجمي و بدون درد به راديولوژيست ها در تشخيص نوع ندول و به پزشكان در انتخاب روش درماني مناسب كمك مي كند. تشخيص ندول هاي ريه از روي تصاوير سي تي اسكن توسط راديولوژيست ممكن است با خطا همراه باشد. يك سيستم تشخيص به كمك كامپيوتر به عنوان يك سيستم پشتيباني تصميم مي تواند راديولوژيست ها را درتشخيص و طبقه بندي ندول هاي ريه كمك كند. براي ايجاد يك سيستم تشخيص به كمك كامپيوتر، بايد ويژگي ها مناسب از تصاوير استخراج شود. يادگيري عميق يكي از مهم ترين روش هاي يادگيري عميق در زمينه تجزيه و تحليل تصاوير پزشكي مي باشد. شبكه عصبي كانولوشن در ميان روش هاي يادگيري عميق به دليل حفظ ساختار فضايي تصوير و توانايي استخراج خودكار ويژگي هاي سطح بالا از تصاوير به يكي از روش هاي محبوب در حوزه پزشكي تبديل شده است. عملكرد مناسب شبكه عصبي كانولوشن تا حد زيادي به تنظيم مناسب ابرپارامترهاي آن بستگي دارد. در اين پايان نامه يك شبكه عصبي كانولوشن براي طبقه بندي ندول هاي ريه از تصاوير سي تي اسكن پيشنهاد شده است. براي بهينه سازي ابرپارامترهاي شبكه پيشنهادي از روش طراحي آزمايش ها استفاده شده است. معياردقت و امتياز اف۱ براي ارزيابي عملكرد شبكه پيشنهادي به عنوان متغير پاسخ درنظر گرفته شده و پس يافتن رابطه رگرسيوني مناسب براي آنها با استفاده از روش طراحي آزمايش ها و درنظر گرفتن محدوديت هاي مربوط به ابرپارامترها، يك مسئله برنامه ريزي غيرخطي مختلط عدد صحيح حاصل شده است كه با حل آن، مقادير ٪۹۲/۱ و ٪۸۸ به ترتيب براي معيار دقت و امتياز اف۱ به دست آمده است.

1398/08/04

Lung Nodules Classification from CT scan images using Convolutional Neural Networks and Design of Experiment methods

10/26/2019 12:00:00 AM

Lung cancer that caused by abnormal growth and proliferation of cells in the lung tissue, has the highest mortality rate among all types of cancers. Tumors that grow in the lungs are called nodules that can be benign (cancerous) or malignant (cancerous). Symptoms of lung cancer usually do not appear until the cancer progresses. Therefore, early diagnosis of lung cancer is vital in the healthcare and treatment fields. Because with the early diagnosis and treatment of the disease, the survival of the patient with lung cancer can be increased. One of the ways of early detection of lung cancer is CT scan imaging, which as a non-invasive and painless method, helps radiologists in the diagnosis of the type of nodule and helps doctors to choose the appropriate treatment. Diagnosis of lung nodules from CT scan images by radiologists may be an error. A computer-aided diagnostic system, as a decision support system, can help radiologists to diagnosis and classify lung nodules. To create a computer-aided diagnostic system for nodule classification, proper features should be extracted from the images. Deep learning is one of the most important methods of deep learning in the field of medical image analysis. The convolutional neural network has become one of the popular methods in the field of medicine, among the deep learning methods, due to the preservation of the spatial structure of the image and the ability for automatically extract high-level features. The network efficiency largely depends on fine-tuning of its hyper-parameters. In this thesis, a convolutional neural network is proposed for the classification of lung nodules from CT scan images. The accuracy and f1-score is considered for evaluation of proposed network performance as a response variable. After finding the appropriate regression for them using the Design Of Experiment methods and considering the limitations of the hyper-parameters, a mixed integer nonlinear programming problem is obtained which, with a solution of 92/1% for accuracy and 88 % for F1-score is obtained.