ارائه روش یادگیری ژرف برای تسریع تشخیص و تقسیم بندی تصاویر بیماریهای مغزی

در سالهای اخیر با رشد فزاینده تکنولوژی و فناوریهای رایانه ای، بهره گیری از این تکنولوژیها در شناسایی تومورها افزایش یافته است. تومور مغزی یک توده غیرطبیعی در مغز است که بنا به ماهیت سلول های تشکیل دهنده، می تواند خوش خیم یا بدخیم باشد. تشخیص زودهنگام تومورهای مغزی در افزایش احتمال بهبود با درمان و زنده ماندن بیماران نقش مهمی ایفا می کند. با وجود تلاش های متعدد و نتایج امیدوار کننده در جامعه تصویربرداری پزشکی، تقسیم بندی دقیق، تجدید پذیر و شناسایی ناهنجاری ها، هنوز هم به دلیل تنوع شکل، محل و کیفیت تصویر تومورها یک چالش و کاری سخت محسوب می شود. برخی از این روشها همچنین ممکن است ساختارهای اطراف تومور را تغییر دهند یا ممکن است توام با ورم یا نکروزیس باشند که کیفیت تصویر تومور را تغییر می دهند. روش های موجود یک کمبود بزرگ را برای تحقیق در زمینه اتوماسیون، کاربرد و دقت بالای تصاویر نشان می دهند. بنابراین، باید تقسیم بندی صحیح، به ویژه در مرز بین تومور و ورم انجام شود که در طراحی یک تومور مغزی استخراج می شود. استفاده از یادگیری ژرف با روش تقسیم بندی تصویر تومور مغزی براساس مجموعه داده است. در این روش ابتدا با استفاده از اپراتور سوبل برای تشخیص لبه ناحیه تصویر شناسایی شده سپس با استفاده از الگوریتم آستانه، برای آستانه گیری نقاط تصویر جهت لبه ها استفاده شده است. سپس با مقایسه آستانه و اپراتور سوبل، لبه های اصلی ناحیه تصویر تشخیص داده شده و با استفاده از عملیات مورفولوژی ناحیه کاندید، مشخص شده در نهایت با اعمال لبه یابی روی ناحیه کاندید با روش های یادگیری ژرف برای تقسیم بندی خودکار نواحی موردنظر بدست می آید و آن ناحیه ای که سطح روشنایی بالاتری دارد به عنوان ناحیه تومور مغزی شناخته می شود. روش های پیشنهادی همچنین می تواند پردازش کارآمد و ارزیابی قابل مشاهده و هدفمندی از حجم عظیمی از مجموعه داده های مبتنی بر تصویر را نسبت به روشهای دیگر ممکن سازند.

Keywords:

تقسیم بندی , بیماری مغزی , تشخیص زودهنگام , مجموعه داده ها