اندازه گیری دور سر نوزاد با استفاده از تکنیکهای یادگیری عمیق

اندازه گیری دور سر نوزادان و پایش روند رشد دور سر، نقش مهمی را در تشخیص برخی بیماری‌ها ایفا می‌کند. با توجه به مشکلات اندازه گیری تماسی از قبیل انتقال بیماری، عفونت و راحت نبودن نوزاد در هنگام اندازه گیری، رفتن به‌سوی اندازه گیری های غیر تماسی امری اجتناب‌ناپذیر می باشد. هدف از این پژوهش، ارائه روشی غیر تماسی و تصویر مبنا به‌منظور اندازه گیری دور سر نوزاد می باشد. در این پژوهش الگوریتمی ارائه شد که دور سر نوزاد را با استفاده از یک تصویر گرفته‌شده از بالای سر نوزاد و شاخص مقیاس موجود در کنار سر محاسبه می نماید. گام اول در محاسبه محیط سر، شناسایی و قطعه‌بندی سر نوزاد در تصویر می‌باشد که در این پژوهش از دو روش maskr-cnn و crf-rnn برای شناسایی و قطعه‌بندی سر نوزاد استفاده شد. بعدازآن پیکسل‌های تشکیل‌دهنده دور سر، با ترکیب الگوریتم لبه یاب canny و الگوریتم‌های ریخت‌شناسی در تصویر مشخص شد. در مرحله بعد رزولوشن مکانی پیکسل‌ها در واقعیت، با توجه به برچسب مقیاس موجود در تصویر محاسبه شد. درنهایت با توجه به رزولوشن مکانی به‌دست‌آمده و تعداد پیکسل‌های تشکیل‌دهنده دور سر، محیط سر محاسبه شد. ارزیابی‌ها نشان می‌دهد که روش maskr_cnn با دقت کلی 8/98 درصد روش مناسب‌تری از روش crf-rnn برای شناسایی و قطعه‌بندی سر در تصویر می‌باشد. همچنین با مقایسه نتایج به‌دست‌آمده از الگوریتم ارائه‌شده، با مقادیر واقعی به‌دست‌آمده به‌وسیله متر نواری بر روی 10 تصویر، مشخص شد خطای روش ارائه‌شده در حدود 1 تا 3 درصد می باشد.

Infant Head Circumference Measurement Using Deep Learning Techniques

Infantchr('39')s head circumference measurement and and its growth monitoring plays a crucial role in diagnosis the diseases which cause a deformation in the infantchr('39')s head. Due to the fact that the contact measurement, which is performed using a tape measure and a caliper, has problems such as transmitting disease, infecting, not comfortable and disruption relaxing the baby, going to noncontact measurements is unavoidable. The purpose of this study is to provide a noncontact image based method for measuring the infantchr('39')s head circumference. In this study, an algorithm was developed that calculates the infantchr('39')s head circumference using an image taken above the infantchr('39')s head and the scale index next to the head. The first step in calculating the head circumference is detecting and segmenting the babychr('39')s head in the image. In this regard, two the state of the art deep learning algorithms, MaskR-CNN and CRF-RNN, were compared in this study for accurately segmenting the infantchr('39')s head. Subsequently, the head circumference pixels were detected by a fusion of the Canny edge detection and morphology algorithms. In the next step, the ground sample distance at suitable level was calculated using the scale tag in the image. Finally, the head circumference was calculated using the ground sample distance value and the number of pixels forming the head circumference. The evaluations show that the MaskR_CNN method with a total accuracy of 98.8% is a more appropriate method than the CRF-RNN method for detection and segmentation of the head in the image. Also by comparing the results of the proposed algorithm with the actual values obtained by strip meter on 10 images, it was found that the error of the proposed method is about 1 to 3%.