14580

1375 دكتري

دكتري

كامپيوتر

اصفهان : دانشگاه صنعتي اصفهان

1397

هشت،147 ص مصور، جدول، نمودار

شادرخ سماوي

نادر كريمي

شهره كسايي، الهام محمود زاده، محمد رضا احمد زاده

1398/02/10

كتابنامه

مهندسي كامپيوتر

مهندسي برق و كامپيوتر

1398/02/10

2531540

3 چکیده پردازش تصاویر پزشکی در زمینهه شناسهایی و مراحهل بهبهود بیمهاری نقهش عمهدهای را بهازی مهیکنهد ههدف از بخشبندی در تصاویر پزشکی معموال تقسیم تصویر ورودی به پیش زمینه و قسمت پسزمینه است درواقع بخشبندی معموال قدم اولیه بسیاری از پردازشهای پزشکی است و کارآمدی قدمهای دیگر کامال متکی به کارایی روش بخشبندی است در گذشته الگوریتمها برای بخشبندی تصاویر پزشکی عمدتا متکی بر ویژگیهایی بودند که بهصهورت دسهتی از تصویر استخراج میشد محدود بودن ویژگیهای استخراج شهده و ابزارهها موجهب کهاهش کهارایی روشههای پردازشهی میشد یکی از شبکههایی که در حوزه یادگیری ژرف بهخصوص برای دادههای تصویری بهطور گسهترده مهورد اسهتفاده قرارگرفته شبکههای پیچشی است این شبکهها با اسهتخراج ویژگهیههای محلهی نییهر مکهان و جههت لبهه در الیهههای ابتدایی همچنين ترکیب آنها و ساخت ویژگیهای سطح باالتر شامل ساختار کلی یا نوع شئ کارآمدی بسیار باالیی در دادههای دوبعدی از خود نشان دادهاند عالوه بر تصاویر طبیعی یادگیری ژرف و بهخصوص شبکههای پیچشی در حوزه تصاویر پزشکی نیز نقش پررنگی در پیشرفتهای اخیر داشتهاند استفاده از شبکههای پیچشی این امکان را فراهم میکند که شبکه خود بر اساس کاربرد اقدام به استخراج ویژگیها کند و عمال استخراج ویژگیها بهصورت دستی به حاشیه رود هدف اصلی این رساله ارائه معماری های جدید برای بخش بندی تصاویر است به همهین منیهور در ایهن رسهاله هک شبکه پیچشی بر اساس ایجاد دید محلی و سراسری پیشنهاد شده اسهت از شهبکه پیشهنهادی بهرای بخشبنهدی تصهاویر شریانهای کرونر و ضایعههای پوستی استفاده شده است در شبکه ارائهشده با ترکیب وصلههای محلی و سراسهری و بهه کارگیری استراتژیهای مناسب شبکه به صورتی آموزش داده شده که نتایج مطلوبتری نسبت به روشهای دیگر تولید کند همچنین در این رساله با بررسی روند تولید بردارهای ویژگی در شهبکههای پیچشهی معمهاری جدیهدی بهرای ایهن شبکهها پیشنهاد شده است در معماری پیشنهادی تمام افزونگیهای محاسباتی ایجادشده در روشهای متکی بر وصلهها حذف شده است در ا ن معماری جدید بهجای دریافهت وصهلههای متنهارر بها پیکسهلهای تصهویر ماننهد شهبکههای تمامپيچشی کل تصویر بهصورت یکجا وارد شبکه میشود بر اساس این معماری شبکه معرفیشده برخالف شبکههای تمامپيچشی بهجای تولید نقشههای ویژگی با وضوح پایین از تصویر واردشده نقشههای ویژگی با وضوح کامل و متراکم تولید میشود به همین دلیل معماری جدید را شبکه تمامپيچشهی متهراکم نامیهدهایم مها بهرای نشهان دادن کهارایی ایهن معماری از آن برای بخشبندی شریانها و ضایعههای پوستی استفاده کردهایم و به ترتیب دقهت 6 19 و 20 58 را بهر روی معیار دایس کسب کردهایم که بهبود قابل مالحیهای را نسبت به روشهای موجهود نشهان مهیدههد عهالوه بهر آن شبکههایی با کاربردهای غیرپزشکی نییر بخش بندی معنایی ادغام تصهاویر چنهدکانونی و شناسهایی نقهاط برجسهته در تصویر را به شبکه تمام پیچشی متراکم تبدیل کرده و مزایای حاصل از این تبدیل را شرح دادهایم کلمات کلیدی یادگیری ژرف شبکههای پیچشی بخشبندی شبکههای تمام پیچشی متراکم

151Segmentation of Medical Images Using Convolutional Networks and Dense Fully Convolutional Networks Ebrahim Nasr Esfahani E Nasr@ec iut ac ir September 22 2018 Doctor of Philosophy Thesis Department of Electrical and Computer Engineering Isfahan University of Technology Isfahan 84156 83111 IranSupervisor Dr Shadrokh Samavi samavi96@cc iut ac irAdvisor Dr Nader Karimi nader karimi@cc iut ac irDepartment Graduate Program Coordinator Dr Gholamreza Yousefi Isfahan University of Technology Isfahan 84156 83111 IranAbstractIn this thesis two new architectures based on convolutional networks are proposed for segmentation of medicalimages In the first architecture a method for detecting vessel regions in angiography images is proposed whichis based on deep learning approach using convolutional neural networks CNN The intended angiogram is firstprocessed to enhance the image quality Then a patch around each pixel is fed into a trained CNN to determinewhether the pixel is of vessel or background regions Experiments performed on angiograms of a dataset showthat the proposed algorithm has a Dice score of 81 51 and an accuracy of 97 93 In second architecture a newclass of fully convolutional network is proposed with new dense pooling layers for segmentation of lesionregions in non dermoscopic images Unlike other existing convolutional networks this proposed network isdesigned to produce dense feature maps This network leads to highly accurate segmentation of lesions Theproduced dice score here is 91 6 which outperforms state of the art algorithms in the segmentation of skinlesions based on the Dermquest dataset Key WordsVessel segmentation skin segmentation deep neural networks dense pooling layer Introduction Recently deep learning methods have shown promising results in various image processingand medical imaging applications Convolutional neural networks CNN are among powerfuldeep learning methods that are suitable for image processing applications In this thesis wepropose two deep learning architectures for extraction of vessels in X ray angiograms and skinlesion segmentation The first proposed architecture performs accurate extraction of vessel

شادرخ سماوي

نادر كريمي

شهره كسايي، الهام محمود زاده، محمد رضا احمد زاده