بخش بندی معنایی تومورهای مغزی به کمک معماری ۳D U-Net

بخش بندی دقیق تومورهای مغزی از تصاویر MRI برای تشخیص، برنامه ریزی درمان و پیگیری وضعیت بیماران حیاتی است. در این مقاله، یک مدل مبتنی بر شبکه عصبی پیچشی سه بعدی برای بخش بندی خودکار تومورهای مغزی معرفی شده است. این مدل با استفاده از مجموعه داده ۲۰۲۰ BraTS که شامل تصاویر MRI چندوجهی (T۲، Tice، T۱ و FLAIR) است، آموزش دیده و مورد ارزیابی قرار گرفته است. تصاویر MRI پیش پردازش شده و به ابعاد ۱۲۸x۱۲۸x۱۲۸ برش داده شدند تا پردازش سریعتر و متمرکز بر نواحی مهم انجام شود. مدل پیشنهادی با استفاده از ترکیبی از انتروپی متقاطع و ضرایب Dice به عنوان تابع هزینه، توانست به ضرایب Dice به ترتیب ۰.۷۲ برای نواحی نکروز، ۰.۷۸ برای آدم و ۰.۷۳ برای تومور فعال دست یابد. نتایج نشان دهنده دقت بالای مدل در بخش بندی نواحی مختلف تومور بوده و قابلیت به کارگیری آن در برنامه های بالینی را تایید می کند.

کلیدواژه ها:

بخش بندی ، معنایی تومور مغزی ، یادگیری عمیق ، شبکه عصبی پیچشی سه بعدی