30228

قطعه بندي تومورهاي مغزي در تصاوير MRI با استفاده از شبكه عصبي مبتني بر ترنسفورمر

كارشناسي ارشد

مهندسي برق- مخابرات ـ سيستم

1399

1402/6/29

علي اصغر بهشتي شيرازي

مهندسي برق

قطعه‌بندي تومورهاي مغزي يك امر ضروري و مهم در پردازش تصاوير پزشكي به‌شمار مي‌آيد و به پزشكان در پيش‌بيني ناحيه دقيق تومور كمك قابل توجهي مي‌كند. تومورهاي مغزي اندازه، شكل و محل قرارگيري متفاوتي دارند ازاين‌رو، قطعه‌بندي آن‌ها با چالش‌هايي نيز روبه‌رو است. امروزه روش‌هاي يادگيري عميق كه جايگزين مناسبي براي روش‌هاي سنتي يادگيري ماشين محسوب مي‌شوند، در قطعه‌بندي تومور‌هاي مغزي نقش به‌سزايي دارند. قطعه‌بندي تومورها با اندازه‌هاي متفاوت امري دشوار است. بنابراين در اين پايان نامه روشي را ارائه داديم كه بتواند براين مشكل غلبه كند. در اين روش از ساختار‌هاي شبكه عصبي كانولوشني و ترنسفورمر استفاده شده و مدلي براي قطعه‌بندي تومور مغزي پيشنهاد شده است. اين مدل كه مبتني بر شبكه UNET است، در ساختار خود از ترنسفورمر بهبود يافته توسط تبديل موجك، سازوكار توجه بهينه و فيلترهاي گوسي بهره‌مند شده است. همچنين در اين شبكه از ماژولي براي استخراج ويژگي‌هاي مهم در مقياس‌هاي متفاوت نيز بهره گرفتيم و به‌وسيله آن دقت قطعه‌بندي تومور را بالا برديم. پايگاه داده مورد استفاده در اين تحقيق BRATS2021 است. البته به‌منظور بررسي بيشتر عملكرد مدل ارائه شده در تشخيص ديگر ارگان‌هاي بدن به غير ازمغز نيز از پايگاه داده Synapse هم بهره گرفتيم. نتايج به دست آمده، نشان مي‌دهد كه مدل پيشنهادي در معيار‌هاي Dice و HD نسبت به مقاله مرجع Swin-Unet برروي پايگاه داده‌ BRATS2021 به ترتيب 5.5% و3.438 و بر روي پايگاده داده Synapse به ترتيب 1.88% و 29.4بهبود داشته است.

1402/09/29

Brain Tumor Segmentation in MRI images with Transformer-based Neural Network

9/19/2024 12:00:00 AM

Segmentation of brain tumors is considered a necessary and important issue in medical image processing and significantly helps doctors in predicting the exact area of the tumor. Brain tumors have different sizes, shapes and locations, therefore, their segmentation also faces challenges. Today, deep learning methods, which are considered a suitable alternative to traditional machine learning methods, play a significant role in the segmentation of brain tumors. It is difficult to segment tumors with different sizes. Therefore, in this thesis, we presented a method that can overcome this problem. In this method, convolutional and transformer neural network structures are used and a model for brain tumor segmentation is proposed. This model, which is based on the UNET network, has benefited from the improved transformer by wavelet transform, optimal attention mechanism and Gaussian filters in its structure. Also, in this network, we used a module to extract important features in different scales, and with that we increased the accuracy of tumor segmentation. The database used in this research is BRATS2021. Of course, in order to further investigate the performance of the presented model in the diagnosis of other body organs besides the brain, we also used the Synapse database. The obtained results show that the proposed model has improved Dice and HD criteria compared to the Swin-Unet reference article on the BRATS2021 database by 5.5% and 3.438 respectively and on the Synapse database by 1.88% and 29.4% respectively.

شبكه ترنسفورمر , شبكه يونت , تومور مغزي

Transformer Network , unet transformer , brain cancer

Elnaz Khorami

Dr. Ali Asghar Beheshti Shirazi