Journal of Health and Biomedical Informatics

fa تشخیص و تقسیم‌ بندی استخوان،ریه و بافت نرم به روش خودکار براساس تصاویر توموگرافی کامپیوتری CT با استفاده از شبکه‌های یادگیری عمیق Automatic Detection and Segmentation of Bone, lung, and soft tissue Based on Computed Tomography Scan Using Deep learning هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article <div style="text-align: justify;">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.  </div> <div style="text-align: justify;">Introduction: In the field of radiation therapy and dosimetry, identifying and segmenting different regions and structures of the body in medical images is crucial for calculating radiation dose distribution for optimization, protecting sensitive organs, and improving treatment planning. In this regard, the application of automatic segmentation algorithms and the advancement of deep learning models in the field of medical image analysis enhance both accuracy and speed. This study aims to evaluate two convolutional neural networks (CNNs) and introduce an effective and efficient model for high-accuracy segmentation of bone, lung, and soft tissue based on CT images. Method: This study utilized deep neural networks based on DeepLabV3+, ResNet-18, and MobileNet-v2 pre-trained architectures as the backbone for segmentation. To preprocess the CT scan images and prepare the input data for the neural network algorithms, 3D Slicer was employed to generate mask images for organs, including soft tissues, bones, and lungs. The development process and fine-tuning of the aforementioned deep learning models were carried out in the MATLAB environment, with accuracy and Intersection over Union (IoU) measured to evaluate the performance of the segmentation algorithms. Results: The results indicated that the accuracy of semantic segmentation of bone for the ResNet-18 and MobileNet-v2 neural networks was 97% and 96%, respectively. For lung and soft tissue segmentation, the accuracy of the aforementioned networks was reported as 96.9% and 96.7% (for lung), and 99.2% and 99% (for soft tissue), respectively. Furthermore, the IoU criterion for semantic segmentation of bone by the ResNet-18 and MobileNet-v2 networks was measured at 85% and 84%, respectively. For lung and soft tissue segmentation, this criterion was 90.8% and 91.2% (for lung), and 99% and 99% (for soft tissue) for both networks, respectively. Conclusion: Various evaluation metrics indicate that the MobileNet-v2 neural network demonstrates superior performance and speed compared to the ResNet-18 network in analyzing CT scan images and segmenting the target tissues.</div> بخش‌بندی معنایی تصاویر پزشکی, یادگیری عمیق, تصاویر توموگرافی کامپیوتری, شبکه‌های عصبی کانولوشن (CNN) Semantic segmentation, medical images, computed tomography images, convolutional neural networks (CNN) 323 335 http://jhbmi.ir/browse.php?a_code=A-10-1144-1&slc_lang=fa&sid=1 Mohammad Mohammadian محمد محمدیان mohammadian2024@gmail.com 100319475328460010301 100319475328460010301 No Master's degree Medical Radiation, Department of Nuclear Engineering, CT.C., Islamic Azad University, Tehran, Iran کارشناسی ارشد پرتو پزشکی، گروه مهندسی پرتو پزشکی، دانشکده فنی و مهندسی، دانشکده تهران مرکزی، تهران، ایران Maryam Khazaee Moghadam مریم خزاعی مقدم m.khazaee@iau.ac.ir 100319475328460010302 100319475328460010302 Yes Assistant Professor, Department of Nuclear Engineering, CT.C., Islamic Azad University, Tehran, Iran دکترا پرتو پزشکی، استادیارگروه مهندسی پرتو پزشکی، دانشکده فنی و مهندسی، دانشکده تهران مرکزی، تهران، ایران Elham Saniei الهام صنیعی el.saniei@iau.ac.ir 100319475328460010303 100319475328460010303 No Assistant Professor, Department of Nuclear Engineering, CT.C., Islamic Azad University, Tehran, Iran دکترا پرتو پزشکی، استادیارگروه مهندسی پرتو پزشکی، دانشکده فنی و مهندسی، دانشکده تهران مرکزی، تهران، ایران