مسعود آزادبخت - کارشناس ارشد مهندسی پزشکی بیوالکتریک

شبکه عصبی کانولوشن برای استخراج ویژگی و طبقه بندی تصاویر سی تی اسکن ریه برای تشخیص و شناسایی ندول های ریوی ارائه شده است. توانایی اشتراک وزن شبکه های عصبی کانولوشن به طور قابل توجهی سبب کاهش تعداد پارامترهای آزاد آموزش پذیر شبکه و درنتیجه افزایش تعمیم پذیری می شود. در ساختار ارائه شده یک شبکه کانولوشن کوچک که برای استخراج ویژگی استفاده می شود بین کل پیکسل های تصویر ورودی به اشتراک گذاشته می شود. استفاده از شبکه های آموزش پذیر کوچک تر و بخش بندی شده برای حل یک مسئله بزرگ و پیچیده، یک معماری مقیاس پذیر برای پیاده سازی شبکه های بزرگ ارائه می دهد. ساختار ارائه شده سبب کاهش زمان آموزش، کاهش تعداد پارامترهای آموزش پذیر و افزایش دقت دسته بندی شده است. به گونه ای که با استخراج ویژگی های تصاویر به کمک روش شبکه عصبی کانولوشن CNN ندول های جداشده برای طبقه بندی نواحی مشکوک به ندول های ریوی به سه کلاس ریه سالم، ندول خوش خیم و ندول های بدخیم طبقه بندی شده است. در الگوریتم پیشنهادی برای شناسایی و قطعه بندی ندول های ریوی بر روی تصاویر سی تی اسکن ریه از تصاویر پایگاه داده LIDC، استفاده شده است. نتیجه الگوریتم نهایی طبقه بندی نشان می دهد که بهبود قابل توجهی در نتایج روش ارائه شده وجود دارد. این روش به میزان حساسیت و دقت به ترتیب برابر با ۵/۹۳% و۹۴% دست یافته است.

کلمات کلیدی : شبکه عصبی کانولوشن ،ندول های ریوی، قطعه بندی، پایگاه داده LIDC