به کارگیری سیستم استنتاج فازی در پیش‌پردازش جهت بهبود بخش‌بندی ضایعات سکته‌ی مغزی با استفاده از شبکه‌ی عصبی عمیق u-net

سکته‌ی مغزی یکی از علل مرگ و میر و عامل اصلی ایجاد ناتوانی بیماران در کشورهای توسعه یافته است. به طور معمول شناسایی ضایعات سکته‌ی مغزی به وسیله‌ی تصویربرداری مغناطیسی صورت گرفته و تحلیل آن نیازمند حضور مستمر پزشک در مرکز درمانی است. لذا پردازش هوشمند تصاویر پزشکی رویکردی موثر برای تشخیص خودکار ضایعات مغزی می‌باشد. در این مقاله یک چارچوب تلفیقی جدید بر مبنای سیستم استنتاج فازی و شبکه‌ی عصبی عمیق برای بخش‌بندی خودکار ضایعات مغزی معرفی شده است. در این راستا ابتدا به معرفی یک شبکه‌ی عمیق u-net بهبود یافته برای تشخیص و بخش‌بندی ضایعه پرداخته شده که شامل افزایش تعداد لایه‌های بخش‌های رمزگذار و رمزگشا به همراه تغییر توابع فعال‌سازی است. سپس با به کارگیری یک سیستم استنتاج فازی مبتنی بر قواعد اگر-آن‌گاه، رویکرد پیشنهادی این مطالعه که بر مبنای پیش‌پردازش تصاویر ورودی و به کارگیری شبکه‌ی یونت بوده معرفی شده است. نتایج نشان داده که تلفیق سیستم استنتاج فازی در پیش‌پردازش با شبکه‌ی عمیق یونت توانسته است ضریب دایس را تا میزان 0/84 افزایش دهد. به علاوه بهبود کنتراست تصاویر ورودی توسط سیستم فازی نسبت به روش یکسان‌سازی هیستوگرام، باعث عمل‌کرد بسیار بهتری در تشخیص ضایعات با ابعاد کوچک شده که دلیل آن توانمندی بیش‌تر کنترل کنتراست در قواعد فازی است.

fuzzy inference system in pre-processing to improve stroke lesion segmentation using u-net deep neural network

stroke is one of the causes of death and the main cause of disability in developed countries. normally, identification of stroke lesions is done by magnetic imaging, and its analysis requires the continuous presence of a doctor in the treatment center. therefore, intelligent processing of medical images will be an effective approach for automatic diagnosis of brain lesions. in this paper, a new integrated framework based on fuzzy inference system and deep neural network for automatic segmentation of brain lesions is introduced. in this regard, firstly, an improved u-net deep network (u-net) has been introduced for lesion detection and segmentation, which includes increasing the number of encoder and decoder layers along with changing the activation functions. then, by using a fuzzy inference system based on if-then rules used by membership functions, the proposed approach of this study, which is based on the pre-processing of input images and the use of the unit network, has been introduced. the results showed that the integration of the fuzzy inference system in the pre-processing with the improved deep network could increase the dice coefficient up to 0.84. in addition, improving the contrast of the input images by the fuzzy system compared to the usual pre-processing methods such as histogram equalization showed a much better performance in the detection of lesions with small dimensions, which is due to the ability to control the amount of contrast increase in the fuzzy systems compared to the usual methods.