پديد آورنده :
رفيعي، شيما
عنوان :
بخشبندي خودكار ارگان كبد در تصاوير سيتياسكن شكم
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
هوش مصنوعي
محل تحصيل :
اصفهان: دانشگاه صنعتي اصفهان، دانشكده برق و كامپيوتر
صفحه شمار :
هشت، ۱۰۳ص.: مصور، جدول، نمودار
استاد راهنما :
شادرخ سماوي
توصيفگر ها :
تصاوير سيتياسكن شكم , بخشبندي ارگان كبد , رجيستر كردن تصاوير , تصاوير اطلس احتمالي , شبكه تمام كانولوشن سه بعدي
تاريخ ورود اطلاعات :
1397/05/08
رشته تحصيلي :
برق و كامپيوتر
دانشكده :
مهندسي برق و كامپيوتر
چكيده فارسي :
چكيده با مراجعه روزافزون بيماران به مراكز درماني استفاده از تصاوير سيتياسكن اهميت ويژهاي پيداكرده است پزشكان تجويز عكسبرداري سيتياسكن و تحليل تصاوير آن را يك امر مهم براي تشخيص بهموقع ميدانند در يك تصوير اسكن شكم تعداد زيادي تصوير مقطعي از حجم بدن انسان وجود دارد كه بايد توسط پزشك بررسي شود بررسي اين تصاوير يافتن يك ارگان در حجم انبوه شكم و بخشبندي دستي آن يك امر زمانگير و خستهكننده است الگوريتمهاي كامپيوتري با بخشبندي خودكار ارگانهاي شكم روند تحليل تصاوير اسكن شكم را براي پزشكان سرعت بخشيده و موجب صرفهجويي در وقت پزشك ميشود همچنين در مواقعي كه پزشك جراح نياز به آناتومي دقيق يك ارگان دارد بخشبندي خودكار جايگزين بخشبندي دستي شده و به افزايش دقت جراح در تخمينهاي پيش از جراحي كمك ميكند تاكنون تحقيقات زيادي در اين زمينه انجامشده است كه هر يك تالش كردند بر چالشهاي موجود در اين حوزه غلبه كنند تنوع بسيار شديد شكل مكان و ظاهر ارگانها در بدن افراد مختلف كيفيت پايين تصاوير سيتياسكن وجود مرزهاي فازي و كامال محو بين ارگانهاي مجاور و عدم وجود تباين بين ارگانهاي مجاور با سطوح روشنايي يكسان از چالشهاي موجود در اين حوزه هستند در اين حوزه روشهاي مبتني بر اطلس سهم عمدهاي از تحقيقات انجامشده را به خود اختصاص دادهاند اطلس به تصاويري گفته ميشود كه توسط پزشك يا فرد خبره بهصورت دستي بخشبندي شده است اين روشها سعي دارند پس از رجيستر كردن تصاوير اطلس با تصوير آزمون از ساختار برچسبهاي تبديل يافته تصاوير اطلس استفاده كنند تا مكان يا شكل ارگانها را در تصوير آزمون تخمين بزنند در اين تحقيق در روش پيشنهادي اول با هدف بخشبندي ارگان كبد و با بهرهگيري از رجيستر كردن تصاوير اطلس يك نقشه احتمال مكان از ارگان كبد در تصوير آزمون بهدستآمده و با طراحي الگوريتم رشد ناحيه سه ب عدي انطباق پذير به بخشبندي دقيقتر وكسلهاي آن پرداختهشده است روشهاي مبتني بر اطلس عليرغم دستيابي به دقت باال از مشكالتي همچون زمان اجراي زياد و حافظه مصرفي باال رنج ميبرند بهمنظور تسريع روند بخشبندي در روش پيشنهادي دوم بدون استفاده از الگوريتمهاي رجيسترسازي و با طراحي يك شبكه تمام كانولوشن سه ب عدي به بخشبندي ارگان كبد پرداختيم اين شبكه تصاوير اسكن شكم را بهصورت سه بعدي دريافت كرده و بهصورت همزمان به مكانيابي و بخشبندي ارگان كبد ميپردازد ارزيابيهاي انجامشده نشان ميدهند كه سيستم پيشنهادي از دقت تشخيص بهتري در مقايسه با روشهاي بررسيشده برخوردار است و به جهت داشتن زمان مناسب ميتواند در مراكز درماني و در شرايط اورژانسي به كار گرفته شود كلمات كليدي 1 تصاوير سيتياسكن شكم 2 بخشبندي ارگان كبد 3 رجيستر كردن تصاوير 2 تصاوير اطلس احتمالي 1 شبكه تمام كانولوشن سه بعدي
چكيده انگليسي :
Automated segmentation of liver in abdominal CT scans Shima Rafiei Shima rafiei@ec iut ac ir Date of Submission 5 9 2018 Department of Electrical and Computer Engineering Isfahan University of Technology Isfahan 84156 83111 Iran Degree M Sc Language Farsi Supervisor Shadrokh Samavi Abstract The need for CT scan analysis is growing for pre diagnosis and therapy of abdominal organs Automatic organ segmentation of abdominal CT scan can help radiologists analyze the scans faster andsegment organ images with fewer errors Automatic segmentation of organs is a challenging task due to theinter patient variety of organ shapes and locations This variety seems to be extremely large among patientswith different body anatomy or unexpected disease The organ detection and localization can be a vital step tohelp segmentation approaches in form of bounding boxes or location probability map Most of the approachestend to perform atlas registration to achieve a relatively appropriate location prior map while some methodsperform regression forest algorithm to achieve a bounding box around each organ In this thesis we exploit DEEDS registration method and propose an adaptive 3D region growing withsubject specific conditions The condition involves the intensity distribution of most probable voxels in theprior map along with location priors We also incorporate the boundary of the target organ to restrict the regiongrowing In order to obtain strong edges and high contrast among organs we propose effective contrastenhancement algorithm to facilitate more accurate segmentation We compare our method with the method ofhard thresholding on DEEDS prior map and also with the multi atlas label fusion on the registered label with13 organs The registration process is a time consuming preparation step making these methods inappropriatefor medical tools Regression forest approaches perform organ localization in a reasonable time Howeversuch methods are not robust enough to detect organs with large variations in shapes locations and appearancesdespite their use of hand craft features In this thesis we also propose an efficient liver segmentation with our 3D to 2D fully convolutionalnetwork 3D 2D FCN with dice cost function This network extracts the 3D surface feature of liver and iscapable of localization and segmentation at the same time By means of dice cost function the network ignoresa large number of background voxels leading to balancing positive and negative voxels for better classificationby network Finally the segmented mask is enhanced by means of the conditional random field on the organ sborder Consequently we segment a target liver in less than a minute and compare our method with a state of the art approach The experimental results show that our proposed method can outperform the existing state of the art algorithm in time and accuracy Keywords Medical image processing 3D localization and segmentation Probabilistic atlas medicalregistration algorithms 3D fully convolutional deep network
استاد راهنما :
شادرخ سماوي
