بخش بندی خودکار ضایعات مولتیپل اسکلروزیس در تصاویر MRI با استفاده از شبکه U-Net مانده ای تطبیقی

بیماری مولتیپل اسکلروزیس (MS) یک اختلال مزمن و زوال عصبی سیستم عصبی مرکزی بوده که بخش بندی دقیق مرز ضایعات MS نقش کلیدی در تشخیص زودهنگام، ارزیابی شدت بیماری و پایش روند درمان دارد. بخش بندی دقیق مرز ضایعات MS به دلیل توزیع نابرابر نمونه های ضایعه و پس زمینه، اندازه کوچک ضایعات و پروتکل های تصویربرداری ناهمگون موضوعی چالش برانگیز است. با وجود دقیق بودن بخش بندی دستی، این رویکرد فرآیندی زمانبر بوده و نیازمند تخصص بالا است. روش های خودکار فعلی در شناسایی ضایعات کوچک MS عملکرد ضعیفی داشته و تعمیم پذیری آن ها برای داده های اخذ شده در شرایط تصویربرداری متفاوت محدود است. برای حل چالش های موجود، معماری پیشنهادی ARU-Net، مبتنی بر رویکرد ResNet و U-Net، با ترکیب استخراج پچ تطبیقی و بهینه سازی خطای ترکیبی توسعه داده شد، به گونه ای که رویکرد نمونه برداری احتمالی عدم تعادل کلاس را کاهش می دهد. اتصالات باقی مانده جریان گرادیان را بهبود بخشیده و تابع خطای ترکیبی دایس-فوکال حساسیت مدل به ضایعات کوچک را افزایش می دهد. معماری پیشنهادی بر روی پایگاه داده MSLesSeg شامل ۱۱۵ توالی FLAIR از ۷۵ بیمار ارزیابی شد. نتایج آزمایش نشان می دهد که معماری پیشنهادی با نرخ تشخیص صحیح به ازای هر ضایعه ۷۹/۹۲%، دقت ۷۲/۷۷%، حساسیت ۷۲/۲۲% و دایس ۷۲/۴۹% نسبت به معماری U-Net سنتی و سایر روش های مقایسه شده عملکرد بهتری در شناسایی دقیق و حساس ضایعات MS دارد. ادغام نمونه برداری تطبیقی با معماری U-Net مانده ای چالش های بنیادی بخش بندی ضایعات MS را به طور موثر مورد خطاب قرار می دهد.

کلیدواژه ها:

استخراج پچ تطبیقی ، یادگیری عمیق ، مولتیپل اسکلروزیس ، بخش بندی تصاویر پزشکی ، شبکه باقی مانده ، تصویربرداری عصبی