مهدیه لک - گروه برق، دانشکده فنی و مهندسی، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران
جاسم جمالی - گروه برق، دانشکده فنی و مهندسی، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران
محمدحسین فاتحی دیندارلو - گروه برق، دانشکده فنی و مهندسی، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران

در سالهای اخیر، یادگیری عمیق نسبت به انجام کارهای هوش مصنوعی مانند بینایی ماشین و شناسایی گفتار نتایج امیدوار کننده ای را نشان داده است. مخصوصا، یادگیری عمیق در کارهای مربوط به بینایی ماشین از جمله طبقه بندی تصویر، بخش بندی، تعیین محل، و تفسیر آن، حد اعلای هنر را نشان داده است. در پزشکی پیش بینی، برای جلوگیری از گسترش بیماری، شناسایی و تشخیص آن، مدلهای شبکه عصبی کانوولوشنال در یادگیری عمیق اعمال میشوند. بخش بندی تصویر یک نقش مهمیرا در پزشکی پیش بینی بازی میکند. با این حال، در هنگام انجام بخش بندی اتوماتیک مبتنی بر یادگیری عمیق، به خاطر ماهیت تصاویر پزشکی مانند فرمتهای این تصاویر و حالات هتروجنیوس، دادههای یادگیری برچسب گذاری شده بسیار محدود، و نامتعادلی طبقه بالا در دادههای برچسب گذاری شده، چالشهای بسیار زیادی وجود دارند. علاوه بر این، بخش بندی اتوماتیک مخصوصا برای تصاویر تشدید مغناطیسی یک کار چالش برانگیز است. در واقعیت، یک فرآیند وقت گیر است که به متخصصین پزشکی آموزش دیده ای نیاز دارد که چنین مجموعه دادههای تصاویر تشدید مغناطیسی را به طور دستی بخش بندی و یا تفسیر نمایند. نیاز به بخش بندی و یا تفسیر اتوماتیک، انگیزه این تحقیق است. در این مقاله، یک روش نیمه اتوماتیک پیشنهاد میکنیم که هدف آن بخش بندی ماده خاکستری یا کلاستروم در تصاویر MRI مغزی است. برای بخش بندی مجموعه دادههای مغز انسان یک مدل شبکه عصبی دو بعدی که شبکه U-net نامیده میشود، اعمال میگردد. روش ما شامل مراحل زیر است: ۱) پیش پردازش که شامل تبدیل دادههای DICOM، نمونه برداری مجدد و انتخاب برشهای کلاستروم و اعمال انتخاب ناحیه مورد نظر یا ROI میباشد ۲ ،) ساخت مدل کلاستروم، ۳) بخش بندی اتوماتیک، و ۴) ارزیابی و صحت سنجی.

شبکه عصبی، بخش بندی اتوماتیک و تصاویرMRI مغزی