مین کات یونت: شبکه ای برای تقسیم بندی تومور کبد در تصاویر سی تی اسکن کبد به کمک یادگیری عمیق

تقسیم بندی دقیق تومور در تصاویر سی تی اسکن، یکی از روشهای تشخیص تومورهای کبدی است. با این حال، برخی مسائل فنی پیچیدگیهایی را به این مسئله اعمال میکنند که تشخیص دقیق و صحیح تومورها میسر نمیگردد. امروزه با پیشرفت روز افزون هوش مصنوعی، مدلهای مختلفی در این حوزه توسعه داده شده است که همگی سعی در بهبود تقسیم ضایعه ها را دارند. در این مقاله، به تقسیمبندی کبد و تومور کبد در تصاویر سیتیاسکن پرداخته شده است. بدین منظور از مجموعه داده ۲۰۱۷LiTS استفاده شده است. ما یک ساختار شامل سه بخش معرفی کردیم که هر سه بخش از مدلهایی بر پایه یادگیری عمیق استفاده میکنند. بخش اول یک دسته بند است که از بین تمام برشهای یک تصویر سی تی اسکن، برشهای حاوی کبد را تشخیص میدهد. بخش دوم یک شبکه تقسیم کننده کبد است که تلاش میکند در هر برش، کبد را تقسیم کند. در نهایت در بخش سوم یک شبکه تقسیم کننده تومور را داریم که به ازای هر برش کبد در صورت وجود تومور در برش مورد نظر، تومور را تقسیمبندی میکند. با ایجاد شبکه دسته بند، بار محاسباتی را از شبکه های بعدی کاسته و شبکه های بعدی با حجم کمتر طراحی شدهاند که متمرکزتر کار میکنند. ایده دیگر استفاده از برش کمینه در بخش دستهبند است که این ایده از یکپارچه بودن عضو کبد الهام گرفته شده است. استفاده از شبکه های U-Net با طراحی سبکتر و تعداد پارامتر کمتر، برای بخشهای تقسیم کننده، ایده دیگری است که باعث شده ساختار نیازمندی سختافزاری و توان پردازشی کمتری برای اجرا نیاز داشته باشد. ما برای ارزیابی ساختار پیشنهاد شده از امتیاز دایس استفاده کردهایم. امتیاز دایس برای کبد ۰.۹۴۰۷ و برای تومور ۰.۶۲۳۳ است.

کلیدواژه ها:

تقسیم بندی تومور کبد ، تصویر سی تی اسکن کبد ، شبکه U-Net ، برش کمینه ، یادگیری عمیق