بخش‌بندی تصاویر mr با استفاده از معماری u-net مبتنی بر inception و اتصالات پرشی بالا

تصویربرداری پزشکی یک تکنیک غیرتهاجمی می‌باشد که باعث توسعۀ قابل توجه در تشخیص و شناسایی بیماری‌های انسان شده است. در بین تمام تکنیک‌های تصویربرداری پزشکی، روش تصویربرداری تشدید مغناطیسی (mri) دارای محبوبیت بیشتری است. این روش، برای سلامت انسان مضر نیست و می‌تواند تصویربرداری از جزئیات مغز انسان را با کیفیت بالایی انجام دهد. بخش‌بندی صحیح تومور مغزی در تصاویر mr دارای اهمیت بالایی می‌باشد. روش‌های سنتی برای بخش‌بندی تصاویر پزشکی زمان‌بر بوده و نیازمند تخصص بالایی هستند. روش‌های یادگیری عمیق نیز برای بخش‌بندی تومور مغزی از روی تصاویر mr معمولاً از لایه‌های کانولوشن عادی استفاده می‌کنند که در این صورت توانایی تشخیص ساختارهای ریزمقیاس و بزرگ‌مقیاس را نخواهند داشت. در این پژوهش یک روش نوین مبتنی بر یادگیری عمیق برای بخش‌بندی تومور مغزی بر روی تصاویر mr ارائه شده است. روش پیشنهادی تعمیمی از معماری معروف u-net می‌باشد با این تفاوت که به جای لایه‌های کانولوشن عادی از ماژول inception استفاده شده است. ماژول inception به علت استفاده از کرنل‌های کانولوشن با اندازه‌های مختلف به موازات یکدیگر می‌تواند ویژگی‌های ریزمقیاس و بزرگ‌مقیاس را از تصویر استخراج کند. در معماری مدل پیشنهادی برای بهبود جریان اطلاعات در مرحلۀ انتشار رو به جلو از اتصالات پرشی بالا استفاده می‌شود. همچنین یک روش پیش‌پردازش نوین بر پایه مُدِ تصویر نیز در این پژوهش ارائه شده که شدت تصویر را با استفاده از مُدِ تصویر نرمال‌سازی می‌کند. روش ‌پیشنهادی بر روی مجموعۀ دادۀ ‌ brats 2022 مورد ارزیابی قرار گرفته و نتایج دقت به دست آمده برای ضریب تشابه دایس با مقدار 0.91 بیانگر بهبود دقت تشخیص می‌باشد. نتایج ارزیابی نشان می‌دهد که هم فرضیۀ ارائه شده در مورد تاثیر اتصالات پرشی بالا در بهبود جریان اطلاعات و یادگیری درست بوده و هم استفاده از ماژول inception توانسته به طور قابل توجهی معیارهای ارزیابی مدل را بهبود ببخشد.

mri segmentation using inception-based u-net architecture and up skip connections

medical imaging is a non-invasive technique that has caused significant development in diagnosing and identifying human diseases. among all medical imaging techniques, magnetic resonance imaging (mri) is more popular. this method is not harmful to human health and can perform imaging of human brain details with high quality. correct segmentation of brain tumours in mr images is very important. traditional methods for segmenting medical images are time-consuming and require high expertise. deep learning methods for brain tumour segmentation from mr images usually use normal convolution layers, in which they will not have the capability of distinguishing micro-scale and large-scale structures. in this research, a new method based on deep learning for brain tumour segmentation on mr images is presented. the proposed method is a generalization of the famous u-net architecture, with the difference that the inception module is used instead of normal convolution layers. due to convolution kernels with different sizes in parallel, the inception module can extract small-scale and large-scale features from the image. in the architecture of the proposed model, up-skin connections were used to improve the information flow in the forward propagation stage. in addition, a new pre-processing method based on the image mode was presented in this research, which normalizes the image intensity using the image mode. the proposed method was evaluated on the brats 2022 dataset and the accuracy results obtained for the dice similarity coefficient with a value of 0.91 indicate the improvement of the detection accuracy. the evaluation results show that both hypotheses presented on the effect of high jump connections in improving the flow of information and learning are correct, and the use of the inception module significantly improved the evaluation criteria of the model.