مطالعه و شناختی دقیق بر کاربرد Machine learning در بخشبندی تومورهای مغزی در تصاویر MRI

به تجمع غیرعادی سلول در مغز تومور مغزی گفته می شود. جمجمه، که مغز را احاطه کرده، بسیار محکم است. هرگونه رشد در چنین فضای محدودی منجر به بروز مشکل می شود. ممکن است تومور سرطانی (بدخیم) یا غیر سرطانی (خوش خیم) باشد. با رشد تومور خوش خیم یا بدخیم، فشار داخل جمجمه افزایش می یابد. در این صورت، به مغز آسیب وارد می شود که مرگبار است. تاثیر یادگیری ماشینی در زندگی و جامعه ما در حال افزایش است، هوش مصنوعی نیز ممکن است نقش مهمی در تشخیص پزشکی و حمایت از پزشکان و جراحان داشته باشد. بسیاری از روش های یادگیری ماشینی برای تشخیص تومورهای مغزی توسعه یافته اند. با این حال، این روش ها، حتی اگر نتایج خوبی نیز داشته باشند، هنوز مورد استفاده قرار نگرفته اند. بنابراین، این موضوع به عنوان یک موضوع تحقیقاتی مهم باقی مانده است و هنوز نیاز به بررسی دارد. تشخیص و درمان به کمک رایانه تقسیم بندی تصویر تومور مغزی تصویربرداری تشدید مغناطیسی چندوجهی (MRI) همیشه یک موضوع داغ و مهم در زمینه پردازش تصویر پزشکی بوده است. قطعه بندی تصویر تومور مغزی MRI چندوجهی از ویژگی های هر مدال در تصویر MRI برای تقسیم بندی کل تومور و ناحیه هسته تومور و افزایش آن ها از بافت های طبیعی مغز استفاده می کند. با این حال، شباهت مقیاس خاکستری بین بافت های مغز در تصاویر مختلف MRI بسیار زیاد است و پرداختن به تقسیم بندی تصاویر تومور مغزی MRI چندوجهی از طریق الگوریتم های سنتی را دشوار می کند. بنابراین، ما از روش یادگیری عمیق به عنوان ابزاری برای استفاده کامل از اطلاعات ویژگی های مکمل بین چندوجهی ها استفاده می کنیم و تحقیقات زیر را تحریک می کنیم: (۱) ساخت یک مدل شبکه مناسب برای وظایف تقسیم بندی تومور مغز بر اساس چارچوب شبکه عصبی کاملا کانولوشن و (۲) اتخاذ یک روش آموزشی پایان به انتها، با استفاده از برش های دو بعدی از تصاویر MRI به عنوان داده های ورودی شبکه. مشکل دسته بندی های نامتعادل در داده های تصویری مختلف تومور مغزی با معرفی تابع از دست دادن تاس در شبکه برای محاسبه ضرر آموزش شبکه برطرف می شود. در همان زمان، از دست دادن تاس موازی برای بهبود بیشتر اثر تقسیم بندی زیرساخت پیشنهاد شده است. ما یک مدل شبکه آبشاری مبتنی بر یک شبکه عصبی کاملا کانولوشن برای بهبود ناحیه هسته تومور و افزایش دقت تقسیم بندی ناحیه تومور و دستیابی به نتایج پیش بینی خوبی برای تقسیم بندی زیرساخت بر روی مجموعه داده های BraTS ۲۰۱۷ پیشنهاد کردیم.