بخش‌بندی خودکار تومور مغزی با استفاده از معماری دو مسیره u-netو ادغام چندین نما در شبکه های کانولوشن

گلیوما یکی از اصلی­ترین علل مرگ ناشی از سرطان می­باشد و تشخیص زودهنگام آن اهمیت بسیاری در درمان و زنده­ماندن بیماران دارد. تصویربرداری تشدید مغناطیسیmri به عنوان روش اصلی برای تشخیص تومورهای مغزی استفاده می­شود. بخش­بندی تصاویر پزشکی براساس یادگیری عمیق، به عنوان یک روش پایدار و قابل اعتماد برای تشخیص گلیوما مورد توجه بوده است. با این حال، بخش­بندی تومورها با استفاده از شبکه­های عصبی کانولوشنی عمیق (dcnns) networks neural convolutional deep به دلیل تفاوت در شدت روشنایی و ظاهر متفاوت تومورها چالش­برانگیز است. در این مقاله، ما از دو روش متفاوت برای بخش بندی تومور مغزی استفاده کرده ایم. روش اول شامل یک شبکه ترکیبی دو مسیره است که براساس ساختار کلاسیک u-net می­باشد. در مسیر اول، با استفاده از کرنل های 3×3، توانایی تشخیص دقیق­تری در نواحی مرزی و جزئیات تومورهای کوچکتر داریم. در مسیر دوم، با استفاده از کرنل­های 5×5، ویژگی­های معنادار در تومورهای بزرگتر را استخراج می­کنیم. روش دوم شامل ادغام چندین نما fusion multi-view است. با اعمال این روش، علی­رغم استفاده از یک شبکه دوبعدی، قادر هستیم از اطلاعات زمینه­ای تصاویر سه­بعدی ورودی بهره­مند شویم. شایان ذکر است که روش­های دوبعدی در مواجهه با چالش­های بالینی نسبت به روش­های سه­بعدی برتری داشته­اند. نتایج ارائه شده نشان می­دهند که روش ما عملکرد خوبی در مقایسه با مدل­های موجود دارد. شبکه پیشنهادی ما بر اساس پایگاه داده 2018 brats مورد ارزیابی­قرار گرفت و میانگین ضرایب dice به ترتیب برابر با 0.814، 0.887 و 0.825برایبخش مرکزی تومور) (tc، کل تومور (wt) و بخش نشان دهنده ماده حاجب تومور (et) به دست آمد.