تشخیص و تقسیم بندی ریه به روش خودکار براساس تصاویر توموگرافی کامپیوتری CT با استفاده از شبکه های یادگیری عمیق

الگوریتم های تقسیم بندی نقش مهمی در بخش بندی مناطق مختلف بدن دارند. با توجه به اینکه تحقیقات زیادی در این زمینه انجام شده است. هدف از این مطالعه بررسی عملکرد دو شبکه عصبی کانولوشنی به منظور معرفی یک مدل یادگیری عمیق کارآمد و قوی برای تقسیم بندی ریه براساس تصاویر سی تی اسکن برای توسعه مدل یادگیری عمیق است.مواد و روش هادر این مدل از شبکه های عصبی برمبنای DeepLabV۳ با بکارگیری معماری شبکه های Resnet۵۰، Xception از پیش آموزش دیده استفاده شده است. داده های مورد استفاده برای آموزش شبکه ها از تصاویر سی تی اسکن با دوز پایین از همه بدن تهیه شده است. در فرآیند تقسیم بندی تصاویر سی تی اسکن ریه در روش پیشنهادی، در مرحله پیش پردازش برای تشخیص لبه تصاویر اولیه سی تی اسکن محدوده ریه تصاویر موجود مشخص می شوند. این فر آیند به صورت دستی توسط رادیولوژیست و با استفاده از نرم افزار ۳d slicer انجام شده است و ماسک های به دست آمده به عنوان دیتاهای ورودی به الگوریتم شبکه عصبی مورد پردازش وارد می شود. از تصاویر اموزش و اعتبارسنجی برای توسعه مدل یادگیری عمیق در MATLAB استفاده می شود. در مرحله آخر عملکرد تقسیم بندی دو شبکه با استفاده از تصاویر گروه آزمایش بر اساس پارامترهای دقت و IOU برای شبکه های عصبی مورد نظر ارزیابی شده اند.نتایجمیزان دقت شبکه های عصبی Resnet۵۰، Xception بعد از آموزش به ترتیب ۳۲/۹۹، ۳۶/۹۹ به دست آمده است. در اعتبارسنجی شبکه ها بر اساس IOU برای شبکه های عصبی Resnet۵۰، Xception برای تقسیم بندی معنایی ریه به ترتیب ۳/۹۲% و ۶/۹۱% است.نتیجه گیری: شبکه عصبی Xception با توجه به معیارهای مختلف ارزیابی عملکرد بالاتری نسبت به شبکه Resnet۵۰ برای تصاویر سی تی اسکن ارائه شده برای آموزش شبکه دارد و مدل تقسیم بندی خودکار توسعه یافته ما می تواند برای استفاده به عنوان یک سیستم تشخیص بالینی بیشتر توسعه یابد.

کلیدواژه ها:

بخش بندی ، انتقال یادگیری ، توموگرافی کامپیوتری ، یادگیری عمیق