31190

بخش‌بندي چندكلاسه عروق كبدي در تصاوير CT با استفاده از الگوريتم‌هاي خودكار يادگيري عميق

كارشناسي ارشد

مهندسي كامپيوتر - گرايش هوش مصنوعي و رباتيك

1400

1403/4/6

دكتر ناصر مزيني - دكتر عليرضا احمديان

ندارد

دانشكده مهندسي كامپيوتر

سرطان كبد سومين عامل مرگ، ششمين سرطان شايع و يكي از كشنده‌ترين انواع سرطان در سراسر جهان است. جراحي كبد با برداشتن بخشي از كبد، رايج‌ترين و در بسياري از موارد تنها روش درماني ممكن است. كبد به دليل دربرداشتن عروق شرياني و وريدي داراي آناتومي پيچيده‌اي است و به همين دليل خطر جراحي‌هاي كبدي بالا مي‌رود. با توجه به حساسيت و اهميت بافت اين اندام، آسيب به آن اثرات مخرب و جبران‌ناپذيري به دنبال دارد. در واقع دقت جراحي به مكان‌يابي دقيق تومورها، ساختار عروقي و مجاري صفراوي بيمار بستگي دارد. از اين رو جراح پيش از عمل به بررسي تصاوير توموگرافي بيمار مي‌پردازد و مدل سه‌بُعدي از اطلاعات موردنياز را در ذهن خود مجسم مي‌كند. اين فرايند علاوه بر زمان‌بر بودن، وابسته به مهارت جراح و نيازمند كسب تجربه‌ي بسياري است. در نتيجه فراهم كردن اطلاعات سه‌بعدي موردنياز جراح پيش از عمل امري ضروري و چالش‌برانگيز است. در نتيجه‌ بخش‌بندي كبد و ساختار عروقي آن از تصاوير سي تي شكمي يك گام اساسي در تشخيص و درمان بيماري‌هاي مربوط به كبد و جراحي‌هاي كبدي است. اگرچه بخش‌بندي دقيق عروق كبدي از تصاوير سي تي شكم تحت‌تأثير وجود نويز زياد، اثرات حجم جزئي، اندازه‌هاي مختلف عروق و به‌ويژه توزيع شدت ناهمگن و انشعاب‌هاي زياد ساختار عروق، يك كار چالشي است. از طرف ديگر بخش‌بندي دقيق رگ‌ها اغلب توسط پزشك به‌صورت دستي فرايندي خسته‌كننده، همراه با خطاي انساني، وابسته به نظر متخصص و بسيار زمان‌بر است؛ بنابراين، بخش‌بندي نيمه‌خودكار و خودكار بافت و عروق كبد توجه روزافزوني را به خود جلب كرده است. در اين ميان، عروق سياهرگ كبدي و سياهرگ باب در كبد با توجه به گستردگي آن‌ها در كبد و حجم بالاي خون عبوري از آن‌ها و ساختار درخت‌مانند عروق از اهميت بالاتري برخوردار هستند و در طرح‌ريزي قبل از عمل نقش‌هاي متفاوتي دارند. هدف ما در اين پژوهش، توسعه و ارائه¬ي يك روش بخش‌بندي چندكلاسه براي بخش‌بندي عروق كبدي و تجسم مدل سه‌بعدي ساختار عروق كبدي است. براي دستيابي به بخش‌بندي عروق كبدي، از مجموعه داده عمومي IRCAD و مجموعه داده اختصاصي جمع‌آوري شده استفاده شده است. در اين راستا، در روش پيشنهادي، از شبكه¬ي U-Net Transformers (UNETR) كه از يك مبدل به عنوان كدگذار استفاده مي‌كند و در عين حال ساختار موفق شبكه‌‌ي U شكل را حفظ مي‌كند، به همراه تابع تلفات تركيبي Dice و آنتروپي متقابل استفاده مي‌شود. با استفاده از روش پيشنهادي، ضريب Dice براي عروق سياهرگ باب و سياهرگ كبدي به ترتيب مقادير 65/46% و 06/68% را حاصل كرده و براي كل عروق كبدي نيز به مقدار 40/76% دست يافته است. پزشك متخصص براي جراحي كبد نياز به بخش‌بندي دقيق چهار سطح از عروق كبدي دارد كه در اين پژوهش نيز عروق كبدي به‌صورت جداگانه تا چهار سطح بخش‌بندي مي‌شوند.

1403/06/27

Multiclass segmentation of liver vessels in CT images using automated deep learning algorithms

1/1/1900 12:00:00 AM

The liver is one of the vital organs of the human body. In addition to breaking down toxic substances and bilirubin, it plays an important role in creating blood clots and storing sugar. Therefore, treating liver diseases such as liver cancer, hepatitis, and cirrhosis is very important. Liver cancer is the third leading cause of death, the sixth most common cancer, and one of the deadliest types of cancer worldwide. Liver surgery, often involving the removal of part of the liver, is the most common and, in many cases, the only possible treatment method. The liver has a complex anatomy, especially concerning its arterial and venous vessels, which increases the risk of surgery. Due to the sensitivity and importance of liver tissue, damage to it can have destructive and irreparable effects. The accuracy of liver surgery depends on the precise localization of tumors, vessel structures, and bile ducts. Before surgery, the surgeon examines the patient's tomography images and visualizes a three-dimensional model of the required information. This process is time-consuming, depends on the surgeon's skill, and requires much experience. Therefore, providing the necessary three-dimensional information to the surgeon before the operation is both necessary and challenging. As a result, segmenting the liver and its vessel structures from abdominal CT images is a fundamental step in diagnosing and treating liver diseases, as well as in preparing for liver surgeries. However, accurately segmenting liver vessels from abdominal CT images is challenging due to factors such as high noise, partial volume effects, varying vessel sizes, heterogeneous intensity distribution, and the many branches of the vessel's structure. Manual segmentation of vessels by doctors is often tedious, prone to human error, and very time-consuming, and it relies heavily on expert opinion. Consequently, semi-automatic and automatic segmentation of liver tissue and vessels has gained increasing attention. In particular, the hepatic and the portal vein are crucial due to their extensive presence in the liver, the large volume of blood they transport, and their tree-like structure. These veins play different roles in preoperative planning, making their accurate segmentation especially important. Our goal in this research is to present a multi-class segmentation method for the segmentation of liver vessels and the visualization of a three-dimensional model of their structure. To achieve the segmentation of liver vessels, we used the IRCAD dataset and local dataset. In this context, we employed the U-Net Transformers (UNETR) network along with a combination of the Dice and Cross-Entropy loss functions. Using the proposed method, we achieved a Dice coefficient of 46.65% for the portal vein, 68.06% for the hepatic vein, and 76.40% for all liver vessels. For liver surgery, the surgeon needs to divide the liver vessels into four levels accurately, and in this study, the liver vessels are divided into four levels separately.

بخش‌بندي عروق كبدي , بخش‌بندي تصوير , يادگيري عميق , چندكلاسه

Liver vessel segmentation , Image segmentation , Deep Learning , Multiclass

Sahar Sarkar

Dr. Nasser Mozayani, Dr. Alireza Ahmadian