-
شماره ركورد
23489
-
شماره راهنما
NUC2 209
-
نويسنده
مانديان، عليرضا
-
عنوان
بخشبندي خودكار ريه در تصاوير برشنگاري رايانهاي با استفاده از يادگيري عميق
-
مقطع تحصيلي
كارشناسي ارشد
-
رشته تحصيلي
مهندسي هسته اي - مهندسي پرتو پزشكي
-
دانشكده
فيزيك
-
تاريخ دفاع
1402/11/10
-
صفحه شمار
66 ص.
-
استاد راهنما
ايرج جباري
-
توصيفگر فارسي
ريه , بخش بندي تصوير , برش نگاري رايانه اي , يادگيري عميق , شبكه U
-
چكيده فارسي
بخشبندي تصوير يكي از مهمترين زيرشاخههاي پردازش تصوير و بينايي ماشيناست كه به صورت روش¬هاي پايه و روش هاي خودكار مي شود. تشخيص تومورها، محاسبه حجم تومورها، تشخيص قسمتهاي طبيعي بافت در مقايسه با قسمتهاي غيرطبيعي آن، ترسيم پربند بافتها جهت طراحي درمان از جمله مهمترين كاربردهاي بخش¬بندي تصوير در زمينه-هايپزشكي هستند. معمولا در روش هاي مختلف پرتودرماني، ترسيم پربند بافت¬ها به صورت دستي توسط پزشك با استفاده از تصاوير برش نگاري رايانه¬اي انجام مي¬شود كه نيازمند دقت و تجربۀ بالاي پزشك و روشي زمان¬بر است. در سالهاي اخير با پيشرفت رايانهها و استفاده از قابليت¬هاي هوش¬مصنوعي، از روشهاي بخشبندي تصاوير بهصورت خودكار مبتني بر يادگيري عميق استفاده ميشود. روش هاي خودكار قابل تكرار بوده و نيازمند تعامل و زمان كمتري با كاربر هستند. عدم تفسير پذيري و نياز به دادۀ با كيفيت جهت آموزش مدل و بيش برازش از جمله مهم ترين چالش هاي روش بخش¬بندي خودكار به حساب مي¬آيند.
در اين پژوهش بخشبندي تصاويربرش نگاري رايانهاي ريه با استفاده ازروش يادگيري عميقو معماري U-Netانجام شده است. در اين پژوهش از مجموعه دادۀ kaggle استفاده شده است. اين مجموعه داده شامل 17000 داده در اندازۀ 512×512 مي باشد كه از اين مجموعه داده900 داده جهت آموزش و 110داده جهتارزيابي مدل مورد استفاده قرار گرفته است.معيارهاي صحت، DSC و IOU در ارزيابي اين مدل استفاده شده است كه متوسط مقادير آنها به ترتيب برابر است با0.005± 0.9906، 0.05± 0.9373و 0.11± 0.873 و مقدار زيان مدل برابر 0.02 ميباشد كه بيانگر اين است كه مدل پيشنهادي در اين پژوهش از عملكرد قابل قبولي برخوردار است.
-
توصيفگر لاتين
Lung , Image Segmentation , Computed Tomography , Deep Learning , U-Net
-
عنوان لاتين
Auto-segmentation of lung in computed tomography images using deep learning
-
گروه آموزشي
مهندسي هستهاي
-
چكيده لاتين
Image segmentation is one ofthe most substantial subbranches of image processing and machine vision, which is performed in the form of basic and automatic methods. Diagnosing tumors, calculating the volume of tumors, identifying normal parts of tissue compared to its abnormal parts and drawing contour of tissues for treatment planning are among the most important applications of image segmentation in medical fields. Usually, in different radiation therapy methods, tissue contour drawing is done manually by the doctor using CT images, which requires high precision and doctor’s experience and is a time-consuming method. In recent years, with advancement of computers and use of artificial intelligence capabilities, automatic image segmentation methods based on deep learning are used. Automated methods are repeatable and require less interaction and time with the user. Lack of interpretability, requiring quality data for training and over fitting are among the most important challenges of automatic segmentation.
In this research, segmentation of lung CT images has been done using deep learning method and U-Net architecture. The dataset used in this research is a collection of the kaggle dataset, which includes 17000 lung CT images in size 512×512 along with the corresponding mask that 900 images and masks have been selected for training and 110 images for model evaluation. Accuracy, DSC and IOU have been used in evaluation of this model. The average value of accuracy, DSC and IOU is respectivly 0.9906 ± 0.005, 0.9373 ± 0.05, 0.873 ± 0.11 and the loss value of this model is 0.02 that indicates the proposed model in this research has an acceptable performance.
-
تعداد فصل ها
4
-
لينک به اين مدرک :