دوره 11، شماره 4 - ( 12-1403 )                   جلد 11 شماره 4 صفحات 0-0 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Mohammadian M, Khazaee Moghadam M, Saniei E. Automatic Detection and Segmentation of Bone, lung, and soft tissue Based on Computed Tomography Scan Using Deep learning. jhbmi 2025; 11 (4)
URL: http://jhbmi.ir/article-1-908-fa.html
محمدیان محمد، خزاعی مقدم مریم، صنیعی الهام. تشخیص و تقسیم‌ بندی استخوان،ریه و بافت نرم به روش خودکار براساس تصاویر توموگرافی کامپیوتری CT با استفاده از شبکه‌های یادگیری عمیق. مجله انفورماتیک سلامت و زیست پزشکی. 1403; 11 (4)

URL: http://jhbmi.ir/article-1-908-fa.html


دکترا پرتو پزشکی، استادیارگروه مهندسی پرتو پزشکی، دانشکده فنی و مهندسی، دانشکده تهران مرکزی، تهران، ایران
چکیده:   (580 مشاهده)
مقدمه: در حوزه پرتودرمانی و محاسبات دزیمتری، شناسایی و تفکیک مناطق و ساختارهای مختلف بدن در تصاویر پزشکی از جمله استخوان، ریه و بافت نرم  براساس تصاویر سی‌تی اسکن نقش مهمی در محاسبه توزیع دز اشعه به منظور بهینه‌سازی، حفاظت از ارگان‌های حساس و بهبود دقت در طراحی درمان‌ ایفا می‌کند. در این راستا به کارگیری الگوریتم‌های خودکار بخش‌بندی و بهبود مدل‌های یادگیری عمیق در زمینه تحلیل تصاویر پزشکی دقت و سرعت را بهبود می‌بخشد. هدف این مطالعه ارزیابی دو شبکه عصبی کانولوشن (CNN) و معرفی یک مدل مؤثر و کارآمد برای انجام بخش‌‌بندی استخوان، ریه و بافت نرم با دقت بالا براساس تصاویر سی ‌تی اسکن است.
روش کار: در این مطالعه، شبکه‌ عصبی عمیق مبتنی بر DeepLabV3+ و معماری‌های از پیش‌آموزش‌دیده ResNet-18  و MobileNet-v2 به عنوان مدل‌های پایه برای بخش‌بندی استفاده شدند. به منظور پیش ‌پردازش تصاویر سی ‌تی اسکن و تهیه داده‌های ورودی به الگوریتم شبکه عصبی، از نرم ‌افزار 3d slicer به منظور تولید تصاویر ماسک شامل بافت‌های نرم، استخوان‌ها و ریه‌ها می‌باشد، بهره‌ برداری شده است. فرآیند توسعه و تنظیم پارامترهای آموزش مدل یادگیری عمیق در محیط MATLAB انجام گرفته است و عملکرد الگوریتم‌‌های تقسیم‌بندی به صورت همزمان برای ارگانهای ذکر شده با استفاده از دو شبکه عصبی مذکور، براساس پارامترهای دقت و ضریب ژاکارد ارزیابی شده‌اند.
یافته‌ها: نتایج نشان می‌دهد که دقت بخش‌‌بندی معنایی استخوان برای شبکه‌های عصبی ResNet-18 و MobileNet-v2 به ترتیب 97% و 96% است. برای تقسیم‌بندی ریه و بافت نرم، دقت شبکه‌های مذکور به ترتیب 96/9%، 96/7% (برای ریه) و 99/2% ، 99% (برای بافت نرم) گزارش شده است. همچنین، معیار ارزیابی ضریب ژاکارد برای تقسیمبندی معنایی استخوان توسط شبکه‌های ResNet-18 و MobileNet-v2 به ترتیب 85% و 84% اندازه‌گیری شده است. برای بخشبندی ریه و بافت نرم، این معیار به ترتیب برای شبکه‌های ResNet-18‌، MobileNet-v2 به 90/8% ، 91/2% (برای ریه) و 99% ، 99% (برای بافت نرم) است.

نتیجه‌گیری:  بر اساس نتایج به دست آمده شبکه عصبی MobileNet-v2 عملکرد بهتری نسبت به ResNet-18 در تحلیل تصاویر سی ‌تی اسکن و بخشبندی همزمان بافتها از نظر معیارهای مختلف ارزیابی و سرعت عمل نشان می‌دهد.

 
متن کامل [PDF 1791 kb]   (137 دریافت)    
نوع مطالعه: پژوهشي اصیل | موضوع مقاله: هوش مصنوعی در حوزه سلامت
دریافت: 1403/9/17 | پذیرش: 1403/12/16

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله انفورماتیک سلامت و زیست پزشکی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2025 CC BY-NC 4.0 | Journal of Health and Biomedical Informatics

Designed & Developed by : Yektaweb