تقطیع تصاویر MRI جهت تقطیع نواحی توموری با رویکرد شبکه عصبی عمیق اسپایکینگ بهینه شده

تقطیع ناحیه تومور در تصاویر MRI مغزی یک پردازش برجسته است که می تواند تشخیص آسان تر تومور را فارهم می کند و که منجر به برنامه ریزی رادیوتراپی موثر می شود. در واقع ارائه و ساخت سیستم های هوشمند پزشکی، می تواند به عنوان یک دستیار برای پزشکان جهت اطمینان درنظر و یا دستیار استفاده شود. گرچه در یک سری از موارد، اطمینان به روش های ارائه شده در سطحی بالا است که به طور مستقیم از چنین سیستم هایی استفاده می شود. در چند دهه اخیر، چندین روش قطعه بندی برای تومور مغزی ازتصاویر مختلف مانند CT, MRI و PET ارائه شده است و تاکنون، روش پیشرفته تقطیع تومورهای مغزی به عنوان یک مسئله چالش برانگیز در جوامع علمی بوده است. دلیل این امر، وجود ابعاد توموری متنوع با مرزهای نامتناسب در تصاویر پزشکی است. برای پرداختن به این موضوع، این تحقیق یک روش قطعه بندی بهینه شده MRI با هدف تشخیص تومورها را ارائه می دهد. رویکرد پیشنهادی در ابتدا عملیات پیش پردازش با هدف کاهش نویز با روشی جدید به نام Quantum MFT Filter ارائه می دهد. سپس شبکه عصبی عمیق اسپایکینگ (DSNN) با هدف تقطیع وارد کار می شود و از ساختار CRF در آن استفاده می شود. اما به دلیل کند بودن و عدم تقطیع همراه با شناسایی ویژگی های مناسب برای انتخاب و استخراج، در لایه softmax آن از الگوریتم جدیدی به نام الگوریتم کوانتومی ایمنی مصنوعی (QAIS) استفاده می شود. رویکرد پیشنهادی به نام QAIS-DSNN دارای توانایی بالایی در تقطیع و تشخیص تومورهای مغزی از تصاویر MRI است که نتایج شبیه سازی با استفاده از مجموعه داده های BraTS۲۰۱۸، نشان می دهد که دقت رویکرد پیشنهادی برابر ۹۸.۲۱% است که نسبت به روش های مشابه پیشین، برتری عملکردی را نشان می دهد. همین طور زمان اجرای این روش برابر ۲.۵۸ ثانیه است.

کلیدواژه ها:

تقطیع تومور مغزی ، یدگیری عمیق ، شبکه عصبی عمیق اسپایکینگ ، الگوریتم کوانتومی ایمنی مصنوعی ، الگوریتم Quantum MFT Filtering