شماره ركورد
26872
پديد آورنده
امين ملك محمدي
عنوان
آشكارسازي و بخشبندي تودهها در تصاوير سهبعدي اولتراسوند پستان
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي كامپيوتر
سال تحصيل
1400-1401
تاريخ دفاع
1401/2/31
استاد راهنما
دكتر محسن سرياني
استاد مشاور
دكتر احساناله كوزهگر
دانشكده
مهندسي كامپيوتر
چكيده
سرطان پستان رايجترين نوع سرطان بين زنان است. مؤثرترين راه براي مقابله با اين بيماري و كاهش آمار تلفات آن، تشخيص سريع علايم است كه با تصويربرداري از پستان ميسر ميگردد. در همين راستا اخيرا تصويربرداري اولتراسوند سهبعدي خودكار، موسوم به ABUS، به عنوان جايگزين كمخطرتري براي تصويربرداري ماموگرافي به كار گرفته ميشود. توسعه سامانههايي براي مكانيابي و بخشبندي تودهها در تصاوير ABUS، ميتواند در آشكارسازي به موقع و مداواي سرطان پستان كمك مفيدي براي پزشكان باشد. راهكار پيشنهادي و حاصل پژوهش حاضر را ميتوان به دو بخش تقسيم كرد: 1) مدل عميقي كه مكان توده را به صورت نقشه حرارتي تعيين ميكند و 2) مدلي كه با دريافت خروجي مدل اول، تومور را به صورت دقيق بخشبندي ميكند.
در بخش اول ابتدا كيفيت تصاوير با روش OBNLM افزايش مييابد. معماري مدل اول از تفكيككننده مدل شناختهشده PatchGan الهام گرفتهشده است كه علاوه بر ردهبندي برشهاي هر حجم، مكان تقريبي تومورها را نيز به صورت نقشه حرارتي به دست ميدهد. براي بهبود فراخواني و دقت اين مدل، پسپردازشي دومرحلهاي مبتني بر بازكردن و گسترش مورفولوژي بهكاررفته است. كارايي مدل مذكور بر روي دادگاني متشكل از 60 حجم مربوط به 43 بيمار بررسي شده است. طبق تحليل FROC اين مدل بهازاي دو نمونه مثبت كاذب، به حساسيت مبتني بر ناحيه 82% و حساسيت مبتني بر بيمار 86% دست مييابد.
مدل دوم يك شبكه دوبعدي مبتني بر U-Net است كه با دريافت ورودي و نقشه برجستگي تخميني مربوطه، نقشه نهايي را توليد ميكند. براي محاسبه نقشه تخميني، ابتدا نواحي نامزد با الگوريتم K-means محاسبه شده و موارد نادرست با اعمال چندين فيلتر نظير اندازه، موقعيت و شكل ساختاري غربالگري ميشوند. در ادامه، اين نقشه با خروجي مدل اول تركيب ميشود تا نقشه تخميني بهبوديافته حاصل شود.
در بخش كدگذار مدل، قبل از هر مرحله، يك واحد توجه تعبيه شده است تا نقشه فوق را با اطلاعات شبكه تركيب كند و توجه شبكه را به بخشهاي مشخصي از ورودي معطوف نمايد. در بخش كدگشا نيز اتصالات متعددي اضافه شده است تا نظارت شبكه بهبود يافته و فراخواني آن افزايش يابد. در انتهاي شبكه نيز يك واحد توجه SE اضافه شده است كه با حفظ فراخواني باعث بهبود دقت شبكه ميشود. مجموعه اين تغييرات باعث ميشود كه معيار Dice مدل پايه، در بخشبندي حجمها، 6 درصد رشد كرده و به 81% برسد.
تاريخ ورود اطلاعات
1401/05/24
عنوان به انگليسي
Cancer Detection and Segmentation in 3-D Automated Breast Ultrasound Images
تاريخ بهره برداري
5/21/2023 12:00:00 AM
دانشجوي وارد كننده اطلاعات
امين ملك محمدي
چكيده به لاتين
Breast cancer is the most commonly diagnosed cancer among women. Breast screening is the most effective approach for reducing its mortality. To this end, Automated Breast Ultrasound (ABUS) is favorable due to its advantages over traditional mammography. Computer-aided systems for mass detection and segmentation are developed to assist the expert and find the symptoms in early stages. This study is composed of two sections; 1) A deep model which discriminates positive slices, and returns the approximate location of tumors as a heat map. 2) A saliency model which segments the tumors.
In the first step, OBNLM is utilized to improve the quality of input slices. The architecture of the first model is inspired by the discriminator of well-known PatchGan model. Because of its patch based architecture, it can retrieve the location of tumors as heat map. The precision and recall of this model is increased by morphological operations. The effectiveness of this model is evaluated on a dataset of 60 volumes, belonging to 43 patients. According to FROC analysis, for two false positives, in region based and patient based analysis, the proposed model reaches the sensitivity of 82%, and 86% respectively.
The saliency model uses a U-Net like architecture, which inputs a slice and its estimated saliency map to produce the final output.
The first step of saliency map estimation is pixel clustering. To this end, K-means is utilized and resulting contours are filtered with respect to their size, contrast, and shape. This saliency map is combined with the first model’s output to produce the refined saliency map.
Attention modules are deployed in every stage of encoder to combine the refined saliency map with network information and guide its attention. For the decoder, multiple connections are used to apply a deeper supervision and increase its recall. At the end of this network an SE module is deployed which increases the precision. With these modifications, the Dice similarity is increased by 6% compared to the base model, and reaches to 81%.
كليدواژه هاي فارسي
سرطان سينه , توده , آشكارسازي , بخش بندي
كليدواژه هاي لاتين
Breast cancer , Tumor , Detection , Segmentation
Author
Amin Malekmohammadi
SuperVisor
Dr. Mohsen Soryani