قطعه بندی و تشخیص تومور مغزی در تصاویر MRI با استفاده از معماری هیبریدی CKD-U-Net مبتنی بر دانش بالینی و توجه متقابل مدالیته ها

تصویربرداری رزونانس مغناطیسی (MRI) به عنوان یکی از پیشرفته ترین روش های تصویربرداری پزشکی نقش حیاتی در تشخیص زودهنگام و درمان تومورهای مغزی ایفا می کند. با این حال قطعه بندی دستی نواحی توموری در تصاویر چند مدالیته MRI فرایندی زمان بر وابسته به تجربه پزشک و دارای خطای انسانی است. در این پژوهش، یک معماری هیبریدی CNN-Transformer با الهام از مقاله CKD-TransBTS ارائه می شود. این مدل از یک بدنه U-Net دوبعدی با درگاه های توجه (Attention Gates)، ماژول Cross-Attention بین مدالیته ها و تزریق دانش بالینی از طریق نقشه پیشین بهره می برد. مدل با استفاده از تکنیک انتقال دانش از Reset و تنظیم دقیق روی دیتاست عمومی ۲۰۲۴ BraTS (شامل ۱۵۰۰ مورد بالینی) آموزش دیده است. نتایج ارزیابی روی مجموعه تست ۲۰۲۴ BraTS نشان می دهد که ضریب دایس برای هسته تومور (TC) به ۰.۹۲ برای کل تومور (WT) به ۰.۹۳ و دقت طبقه بندی نوع تومور به ۹۵.۱ رسیده است. زمان استنتاج هر حجم MRI به ۷ ثانیه کاهش یافته که این امر امکان استفاده بالینی در زمان واقعی را فراهم می کند. سیستم با کتابخانه PyTorch پیاده سازی شده و به صورت API وب با Flask قابل ادغام با سیستم های PACS بیمارستان هاست. این پژوهش گامی مهم در جهت توسعه سیستم های هوشمند تشخیص پزشکی در ایران است.

کلیدواژه ها:

یادگیری عمیق ، تصویربرداری MRI ، مغز ، Transformer ، U-Net ، قطعه بندی ، تومور