30139

افزايش نرخ فريم در تصاوير اكوكارديوگرافي با بكار گيري الگوريتم‌هاي يادگيري عميق

كارشناسي ارشد

مهندسي پزشكي- بيوالكتريك

1400

1402/8/21

حميد بهنام

مهندسي برق

امروزه با توجه به گسترش زياد بيماري¬هاي قلبي، استفاده از راه‌حل‌هاي خودكار براي غربالگري و تشخيص بيماري¬ها بسيار موردتوجه است و اكوكارديوگرافي يكي از بهترين راه‌حل ها براي اين منظور هست. فريم-هاي اكوكارديوگرافي نه‌تنها به‌طور گسترده و با قيمت كم و به‌صورت غير يونيزان به دست مي‌آيند، بلكه دانش مفيدي در مورد عملكرد بافت‌ها و اندام‌ها ارائه مي‌دهند. هدف درون‌يابي فريم ويديويي اكوكارديوگرافي ايجاد فريم به تعداد دلخواه در بين تصاوير اسكن شده با نرخ فريم پايين موجود، هست. با توجه به اين واقعيت كه ثبت اكوكارديوگرافي معمولي از قلب كامل با نرخ فريم نسبتاً پايين انجام مي‌شود، حركت سريع دريچه‌ها براي اسكن كردن با وضوح‌بالا، چالش‌برانگيز است. به‌خصوص كه بررسي قلب با نرخ فريم بالا براي تشخيص بيماري‌هايي مثل آريتمي، موردنياز است. در اين پايان¬نامه از دو روش مدرن درون‌يابي فريم ويدئويي عميق براي مقابله با اين چالش استفاده كرديم. علاوه بر اين، ما يك مجموعه داده فريم سه¬گانه اكوكارديوگرافي در مقياس بزرگ با استفاده از 1153 ويدئو براي آموزش ايجاد كرديم. مجموعه داده ما شامل 93505 تصوير سه گانه448x256 است كه به سه بخش آموزش، اعتبار سنجي و آزمون تقسيم‌شده‌اند كه هركدام به ترتيب داراي 65958، 9252 و 18295 تصوير سه گانه بودند. نتايج تجربي جزئيات مورد انتظار مناسبي را ارائه مي‌دهد. بهترين مقدار شاخص نسبت پيك سيگنال به نويز و شاخص شباهت ساختاري با روش RIFE با مقادير 24.17 و 0.6325 به دست آمد. كه مقادير بالايي براي تصاوير اكوكارديوگرافي با ابعاد متوسط هست.

1402/09/12

Increasing frame rate in echocardiographic images using deep learning algorithms

11/11/2024 12:00:00 AM

Cardiac ultrasound images are cost-effectively achievable and provide useful information about heart function. The echocardiographic video frame up-conversion endeavor is producing synthetic frames between two real images. Since conventional cardiac ultrasound scan frame rate is 30 to 80, we encounter a lack of transparency in these videos. Therefore nature video frame interpolation methods trained on an echocardiographic triplet dataset to generate arbitrary frames between two consecutive frames. To address the lack of an echocardiography triplet dataset, we built a great triplet dataset with 1153 video scans. Finally, 93505 triplets were created. The triplet dataset divided into 65958, 9252, and 18295 triplets for training, validation, and testing respectively. Results show 24.17 and 0.6325 for PSNR and SSIM respectively

اكوكارديوگرافي , يادگيري عميق , افزايش نرخ فريم , پردازش تصوير پزشكي

echocardiography , Deep Learning , Frame rate up-conversion , Medical Image Processing

Hooman Shamlooei

Dr. Hamid Behnam