بخش‌بندی ضایعات سکته مغزی اسکمیک در تصاوير MRI با استفاده از شبکه‌های عصبي كانولوشني
Abstract
مقدمه: تصویربرداری رزونانس مغناطیسی ( MRI) به طور گسترده در تشخیص سکته مغزی استفاده می‌شود. سکته مغزی سومین علت مرگ‌و‌میر و به علاوه بزرگترین علت ناتوانی در سراسر جهان است. تعیین موقعیت ضایعه مغزی نقش حیاتی در تصمیم گیری در مورد مداخله درمانی بهینه دارد.
مواد و روش‌ها: در این پایان نامه، ساختاری برای بخش‌بندی خودکار ضایعات سکته مغزی با استفاده از تصاویر توالی FLAIR پیشنهاد شده است. شبکه پیشنهادی بر مبنای معماری یونت (U_net) و دارای رمزگذار و رمزگشا است که هر کدام دارای بلوک هایی است که از پنج لایه موازی تشکیل شده است.
یافته‌ها: مدل پیشنهادی بر روی مجموعه داده‌های چالش ISLES2015 که برای بخش‌بندی ضایعات سکته مغزی ایسکمیک است، ارزیابی شد و میانگین ضریب دایس به دست آمده در مجموع بیش از 89 درصد بود.
نتیجه گیری: از مهم‌ترین مراحل در پیاده سازی روشهای مبتنی بر یادگیری عمیق پیش پردازش و آماده سازی داده ها برای ورود به شبکه است. در این پژوهش نیز تاثیر گذاری روش تعدیل هیستوگرام تطبیقی با کنتراست محدود به عنوان پیش پردازش مشهود بود. همچنین در بخش معماری نیز ایجاد بلوک‌هایی با چند لایه کانولوشنی در یادگیری ویژگی ها و افزایش کارایی معماری تاثیر گذار بود.