21631

21631

تشخيص عارضه‌هاي پروستات از تصاوير سي تي با استفاده از رويكرد پردازش تصوير

كارشناسي ارشد

سيستم هاي كلان اقتصادي اجتماعي

1396-1398

1398/08/27

دكتر روزبه قوسي

دكتر احمد ماكوئي

مهندسي پيشرفت

بيماري¬هاي پروستات از شايع¬ترين بيماري¬هاي مردان مي¬باشند به طوري كه سرطان پروستات پس از سرطان ريه دومين سرطان مرگ¬آور در ميان مردان مي¬¬باشد. عارضه¬هاي غيرسرطاني پروستات شامل كيست هاي پروستات ، كلسيفيكاسيون يا سنگ پروستات، بزرگ شدن غير عادي پروستات ، التهاب پروستات يا پروستاتيت مي¬باشند. از آنجاييكه تصاوير سي‌تي به صورت مقاطع متعدد و موازي از يك عضو بيمار تهيه مي‌شود، بررسي تمام تصاوير به صورت دستي كاري وقت‌گير و مستعد خطاست. لذا استفاده از روش‌هاي پردازش تصوير مي‌تواند به بررسي سيستماتيك تمام تصاوير در زمان كمتر پرداخته و از بروز خطاهاي چشمي جلوگيري نمايد. همچنين شناسايي خودكار عارضه‌ها از طريق تصاوير پزشكي مي‌تواند در آينده در ساخت ربات‌هاي دستيار جراح كمك شايان توجهي كند. درواقع اولين قدم در طراحي اين سيستم‌ها و ربات‌ها براي ياري رساندن به پزشكان، ايجاد امكان بينايي و تشخيص كامپيوتري است. با توجه به شباهت بافت اين غده به ديگر اجزاي اطراف آن، يكي از چالش¬هاي موجود در تصاوير توموگرافي ناحيه شكم و لگن، تشخيص غده پروستات مي¬باشد. در اين پايان‌نامه ابتدا با توسعه شبكه¬هاي عصبي همگشتي پوششي مبتني بر ناحيه، يك شبكه چند كاربرده براي دسته‌بندي، مكان‌يابي و بخش‌بندي تصاوير ناحيه شكم و لگن ارائه شده است. در ادامه با معرفي يك الگوريتم ابتكاري سه مرحله¬اي، به بررسي وجود سه عارضه غيرسرطاني شايع در غده پروستات پرداخته شده است. در پايان نيز با طراحي يك سامانه، مراحل ذكر شده در اين پژوهش در قالب يك سيستم دستيار پزشكي ارائه شده¬است. درنتيجه اين پژوهش علاوه بر كاهش خطاهاي انساني در تشخيص بيماري‌هاي مربوط به پروستات در مردان، سرعت شناسايي عارضه‌ها از طريق تصاوير سي‌تي افزايش مي‌يابد. واژه‌هاي كليدي: پردازش تصوير، عارضه¬هاي پروستات، شبكه¬هاي عصبي، يادگيري عميق

1398/10/30

Detection of prostate lesions in CT images: image processing approach

11/18/2021 12:00:00 AM

Prostate lesions are one of the most common diseases in men, So the prostate cancer is the second deadliest cancer among men after lung cancer. Non-cancerous prostate lesions include prostate cysts, calcification or prostate stones, benign prostatic hyperplasia or prostate enlargement, and prostate inflammation or prostatitis. Since CT images have been taken in multiple sections in parallel from one patient member, reviewing all images manually is time consuming and error prone. Therefore, the use of image processing techniques can systematically examine all images in less time and prevent errors. Automated detection of lesions through medical imaging can also help in the future in the development of surgeon assistive robots. In fact, the first step in designing these systems and robots to help physicians is to make computer vision possible. Due to the tissue similarity of the prostate to the other organs around it, one of the challenges in abdominal and pelvic of CT-Scan images is diagnosis of prostate gland. In this thesis we aim to propose a novel approach for detection, classification and segmentation of CT-Scan images. Then, by introduction of a three-step innovative approach, we investigate the presence of three common non-cancerous lesions in the prostate gland. Finally, by designing a system, the steps mentioned in this thesis are presented in the form of a medical assistant system. Keywords: Image processing, Prostate lesions, Neural networks, Deep learning