رقیه گیل چالانی، کارشناسی ارشد مهندسی پزشکی- بیوالکتریک، دکتر شهربانوفلاحیه حمیدپور

نام و نام خانوادگی:رقیه گیل چالانی
عنوان پایان نامه: طبقه بندی توده های کبدی با استفاده از شبکه های عصبی کانولوشنی بر روی تصاویر MRI
رشته تحصیلی:مهندسی پزشکی- بیوالکتریک
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر شهربانوفلاحیه حمیدپور
چکیده:

تشخیص سریع و قابل اعتماد سرطان کبد برای شروع سریع تر درمان ممکن است نتایج بهتری برای این بیماران فراهم کند. اخیراً استفاده از روش تصاویر MRI برای تشخیص تومورهای کبدی بسیار محبوب شده است. ﺳﯿﺴﺘﻢ ﺗﺸﺨﯿﺼﯽ ﺑﻪ ﮐﻤﮏ راﯾﺎﻧﻪ ﺑﻪ رادﯾﻮﻟﻮژیست ها ﮐﻤﮏ می کند ﺗﺎ اﻃﻼﻋﺎت ﻣﻬﻢ در ﻣﻮرد ﯾﮏ ﺑﯿﻤﺎر را سریع تر درك ﮐﻨﻨﺪ و روند تشخیص و درمان بیماری تسریع یابد. مطالعه این پایان نامه با هدف پیاده سازی روشی مبتنی بر یادگیری عمیق جهت تشخیص و طبقه بندی تومورهای کبدی انجام شده است. برای این منظور ابتدا تصاویر مربوط به چهار کلاس مختلف تومورهای کبدی شامل کبد سالم (NL)، کبد دارای کیست ساده (SC)، کبد دارای تومور هیپرپلازی گرهی کانونی (FNH) و کبد دارای تومور کارسینوم هپاتوسلولار (HCC) از پایگاه داده تهیه شدند. ابتدا به منظور حذف اثرات حاشیه‌ای از تصویر، 30 درصد از سمت راست هر تصویر برش داده شد و با استفاده از روش آستانه گذاری ناحیه کبد از تصویر اصلی جدا شد. سپس با استفاده از روش سودوکالر، تصاویر مقیاس خاکستری رنگی سازی شدند و با اعمال فیلتر، ناحیه کبد از تصویر رنگی جدا شد. به منظور طبقه بندی نوع تومورهای کبدی از شبکه عصبی کانولوشنی با 14 لایه استفاده شد. ابتدا مدل CNN توسط داده های مقیاس خاکستری ناحیه کبد ایجاد شد که دقت مدل CNN برای داده های آموزش و آزمون به ترتیب برابر با 5/92 درصد و 67/81 درصد به دست آمد. در ادامه مدل شبکه عصبی کانولوشنی با تصاویر رنگی شده ناحیه کبدی ایجاد شد که دقت نهایی مدل CNN برای داده‌های آموزش و آزمون به ترتیب برابر با 100 درصد و 33/88 درصد به دست آمد. در مجموع بررسی نتایج نشان داد که با کاربرد روش سودوکالر بر روی تصاویر مقیاس خاکستری MRI و رنگی سازی آن می‌توان دقت طبقه بندی تومورهای کبدی را افزایش داد.

کلیدواژه: :تومور کبدی، MRI، شبکه یادگیری عمیق، طبقه بندی تصاویر، شبکه عصبی کانولوشنی