پردازش تصاویر پزشکی
امیر سزاوار؛ حسن فرسی؛ فریما فرسی
دوره 12، شماره 4 ، بهمن 1397، ، صفحه 341-355
چکیده
سرطان پروستات، به عنوان یکی از مهمترین بیماریهای مردان به شمار میرود. تشخیص زودهنگام و به موقع این بیماری و درجهی پیشرفت آن، به روند درمان و جلوگیری از سرایت بیماری به سایر بافتها، کمک شایانی میکند. به منظور تعیین درجهی بیماری، از بافت نمونهبرداری شده و با بررسی ساختار پاتولوژی، نوع درجه تعیین میگردد. در جدیدترین ...
بیشتر
سرطان پروستات، به عنوان یکی از مهمترین بیماریهای مردان به شمار میرود. تشخیص زودهنگام و به موقع این بیماری و درجهی پیشرفت آن، به روند درمان و جلوگیری از سرایت بیماری به سایر بافتها، کمک شایانی میکند. به منظور تعیین درجهی بیماری، از بافت نمونهبرداری شده و با بررسی ساختار پاتولوژی، نوع درجه تعیین میگردد. در جدیدترین دستهبندی، بافت پروستات به پنج درجه تقسیمبندی میشود که درجهی یک، خوشخیمترین حالت و درجهی پنج، نشاندهندهی وخیمترین حالت بیماری میباشد. با توجه به زمانبر بودن طبقهبندی توسط انسان و رشد فناوری هوش مصنوعی، اخیرا این طبقهبندیها توسط الگوریتمهای هوشمند مختلفی انجام میشود. اگر چه امروزه روشهای قدرتمندی به منظور توصیف و طبقهبندی تصاویر، ابداع شده، اما وجود فاصلهی معناداری میان ادراک بینایی انسان و ویژگیهای سطح پایین استخراج شده توسط الگوریتمها، مهمترین چالش در راه دستیابی به دقت مطلوب به شمار میرود. در این مقاله، با ترکیب ویژگیهای آماری بافت تصویر و ویژگیهای عمیق استخراج شده توسط شبکهی عصبی کانولوشن عمیق، روش جدیدی ارائه شده است که در آن، استفاده از شبکهی عصبی کانولوشن عمیق، باعث به دست آمدن ویژگیهای سطح بالا و عمیقی از تصاویر پاتولوژی شده و با ترکیب این ویژگیها با ویژگیهای آماری بافت، دقت طبقهبندی افزایش یافته است. به منظور ارزیابی روش پیشنهادی، این روش روی پایگاه دادهی جامعهی بینالمللی آسیبشناسی اورولوژی، اعمال شده است. نتایج به دست آمده نشان میدهد که روش پیشنهادی، به دقت بیشتری نسبت به سایر روشهای مرسوم برای طبقهبندی تصاویر پاتولوژی دست یافته است.