27950

تشخيص و دسته‌بندي تومورهاي مغزي در تصاوير تشديد مغناطيسي با استفاده از يادگيري عميق

كارشناسي ارشد

مهندسي برق-سيستم هاي الكترونيك ديجيتال

1399

1401/11/24

دكتر ستار ميرزاكوچكي - دكتر شهريار برادران شكوهي

مهندسي برق

تومور مغزي يكي از جدي‌ترين سناريوهاي مرتبط با مغز است كه در آن دسته‌اي از سلول‌هاي غيرطبيعي به شكلي كنترل‌نشده رشد مي‌كنند. يكي از حياتي‌ترين وظايف متخصصان مغز و اعصاب و راديولوژيست‌ها، تشخيص زودهنگام تومور مغزي است. با اين‌حال، تشخيص دستي و طبقه‌بندي تومورهاي مغزي از اسكن‌هاي تصويربرداري تشديد مغناطيسي (MRI) چالش برانگيز و مستعد خطا است. به‌همين دليل است كه، يك سيستم خودكار تشخيص تومور مغزي براي تشخيص زودهنگام بيماري مورد نياز است. حوزه پردازش تصوير با ابداع تكنيك‌هاي مختلف در يادگيري عميق، رشد قابل توجهي را در زمينه كاربردهاي زيست پزشكي تجربه كرده است. طبقه‌بندي و تشخيص تومور مغزي موضوعي است كه در آن شبكه‌هاي عصبي كانولوشنال كاربرد پيدا مي‌كنند. در اين پايان‌نامه، از مدل رتينانت كه يك شبكه تشخيص اشياء يك مرحله‌اي است و مي‌تواند به دقت و كارايي بالا، هم‌زمان دست يابد استفاده كرده‌ايم. رتينانت از شبكه پايه ResNet و شبكه FPN براي ايجاد يك هرم‌ويژگي كانولوشن چند مقياسي غني استفاده مي‌كند و به دو زير شبكه، يكي براي دسته‌بندي كادرها، و ديگري براي ايجاد افست از كادرهاي پيش‌بيني به كادر‌هاي حقيقي، متصل شده‌اند. مدل رتينانت، توسط تابع هزينه‌ كانوني Focal Loss و بهينه‌ساز SGD، توانسته باوجود داده‌هاي نامتوازن باز هم منجر به عملكرد مناسب‌تري شود. مدل رتينانت هم در طبقه‌بندي و هم تشخيص، اثرات قابل توجه داشته است. در روش پيشنهادي، ما از مجموعه‌داده Roboflow، شامل 308 تصوير مغز MRI (108 مننژيوما ، 98 گليوما ، 102 هيپوفيز) براي آموزش و آزمايش تشخيص و طبقه‌بندي استفاده كرده‌ايم. مدل رتينانت-152توانست به دقت تست 91/3 درصد براي مدل و دقت 90/9 درصد براي گليوما، 96/7 درصد براي مننژيوم و 85/7 درصد براي تومور هيپوفيز را به‌دست آورد. ميزان Loss يا تابع هزينه شبكه به مقدار 0/018 و براي كلاس‌بندي 0/00726 و براي رگرسيون 0/0336 محاسبه شده است. تابع هزينه پايين شبكه نشان‌دهنده عملكرد خوب شبكه مي‌باشد و نزديك بودن به مطلوب است.

1401/12/07

MRI brain tumor detection and classification using deep learning techniques

2/13/2024 12:00:00 AM

The Brain Tumor is one of the most serious scenarios associated with the brain where a cluster of abnormal cells grows in an uncontrolled fashion. One of the most crucial tasks of neurologists and radiologists is early brain tumor detection. However, manually detecting and segmenting brain tumors from Magnetic Resonance Imaging (MRI) scans is challenging, and prone to errors That is why an automated brain tumor detection system is required. The field of image processing has experienced remarkable growth in the area of biomedical applications with the invention of different techniques in deep learning. Brain tumor classification and detection is a subject of prime importance where Convolutional Neural Networks find application. In this thesis, we have used the RetinaNet model, which is a one-stage object detection network that can achieve high accuracy and efficiency at the same time. RetinaNet uses ResNet base network and FPN network to create a feature rich multi-scale convolutional pyramid, and they are connected to two subnets, one for frame classification, and another for offset from predicted frames to actual frames. The RetinaNet model, by the Focal Loss cost function and the SGD optimizer, has been able to lead to a better performance despite the imbalanced data. RetinaNet model has had significant effects in both classification and diagnosis. In the proposed method, we have used the Roboflow dataset, including 308 MRI brain images (108 meningyoma, 98 glyoma, 102 pituitary) for training and testing the recognition and classification. RetinaNet-152 network was able to achieve 91.3% test accuracy for the algorithm and 90.9% accuracy for glioma, 96.7% for meningioma and 85.7% for pituitary tumor. The amount of loss is a function of the network cost, which is 0.018 and 0.00726 for classification and 0.0336 for regression. A low network Loss function indicates good network performance and is close to optimal.

تومور مغزي , تصاوير تشديد ‌مغناطيسي , تشخيص و دسته‌بندي تومور , يادگيري عميق , رتينانت

Brain tumor , Magnetic resonance images , Tumor detection and classification , Deep Learning , RetinaNet

Leila Esmaeili Nezhad

Dr. Sattar Mirzakuchaki, Dr. Shahriar Baradaran Shokouhi