21450

21450

بخش‌بندي كبد در تصاوير سي‌تي‌اسكن و ام‌آرآي با استفاده از يادگيري عميق

كارشناسي ارشد

بيوالكتريك

1398-99

1398/8/26

دكتر حميد بهنام

برق

استخراج خودكار كبد از تصاوير سي¬تي¬اسكن يا تصاوير ام‌آر‌آي¬ به دليل شكل ناهمگن و نزديكي به ساير ارگان¬ها يك كار چالش برانگيز است. در سال‌هاي اخير، شبكه¬هاي مبتني بر يادگيري، در بخش¬بندي تصاوير پزشكي، به عملكرد پيشرفته¬اي دست يافته‌اند. در بين شبكه¬هاي موجود، U-Net موفقيت¬هاي بسياري در بخش¬بندي تصاوير پزشكي ثبت كرده است. در اين پژوهش الگوريتمي ارايه شده¬ است تا به بخش¬بندي دقيقي از اندام كبد دست يابيم. در اين الگوريتم ابتدا تصاوير با يك شبكه كلاس¬بندي بررسي مي¬شوند تا تصاوير داراي اندام كبد و بدون كبد از هم جدا شوند، سپس تصاويري كه شامل اندام كبد هستند، با شبكه بخش¬بندي آناليز مي¬شوند تا كبد بخش¬بندي شود. شبكه بخش¬بندي مورد استفاده بر مبناي U-Net مي¬باشد، كه در آن از مزاياي كاملU-Net ، ConvLSTM ، لايه¬هاي كانولوشني متراكم ، بلوك¬هاي بازگشتي و باقي¬مانده استفاده شده¬است. در مسير فشرده‌سازي و توسعه بلوك¬هاي R2Conv جايگزين بلوك¬هاي كانولوشني معمولي شده-است، تا شبكه انتزاعات بيشتري از ويژگي¬هاي ورودي آموزش ببيند و همچنين از اثر محوشدگي گراديان جلوگيري شود. از مكانيزم لايه¬هاي كانولوشني متراكم در آخرين لايه كانولوشني مسير فشرده‌سازي استفاده شده¬است، اين ايده با اجازه انتشار جريان اطلاعات از طريق شبكه و استفاده مجدد از ويژگي¬ها ، قدرت بازنمايي شبكه را بهبود مي¬بخشد، براي تركيب نقشه‌هاي ويژگي استخراج شده از مسير فشرده‌سازي مربوطه و لايه توسعه پيشين به جاي يك الحاق ساده در مسير اتصال پرش U-Net، از ConvLSTM استفاده شده-است. در نهايت الگوريتم ارايه شده بر روي داده¬هاي منتشر شده در چالش CHAOS 2019[4] آزمايش شده است و مقدار دايس 97.5 براي تصاوير سي‌تي‌اسكن بدست آمده¬است.

1398/10/02

Liver Segmentation On CT and MR Images Using Deep Learning

12/23/2019 12:00:00 AM

Automatically extracting the liver from CT or MR images due to its heterogeneous shape and proximity to other organs is a challenging task. In recent years, learning-based networks have achieved advanced performance in medical image segmentation. Among the existing networks, U-Net has recorded many successes in medical image segmentation. This research presents an algorithm to perform a detailed liver segmentation. In this algorithm, images are first classified with a classification network to be separated into the liver and non-liver classes, then the class containing the liver are analyzed with the segmentation network. The segmentation network is an extended version of the U-Net, which takes full advantage of ConvLSTM, densely convolutional layers, recurrent and residual blocks. In the construction and extraction path, common convolutional blocks have been replaced by R2Conv blocks, to train the network more abstractions from input features and prevent gradient vanishing. Also, the mechanism of densely convolutional layers has been used in the last convolutional layer of the construction path. This idea improves the network’s representational power by allowing the information flow through the network and reusing features. To concatenate the feature maps in the corresponding construction path and the former extraction layer, instead of a simple concatenation in skip connections, ConvLSTM was used. Finally, applying this algorithm to the data used in the trial CHAOS challenge for CT has resulted in a Dice value of 97.5.

بخش‌بندي كبد در تصاوير سي‌تي‌اسكن و ام‌آرآي با استفاده از يادگيري عميق

Liver Segmentation On CT and MR Images Using Deep Learning