قطعه بندی خودکار توده کلیه در تصاویرتوموگرافی کامپیوتری با استفاده از هم افزایی شبکه عصبی عمیق u-net و الگوریتم فراابتکاری نهنگ

قطعه بندی دقیق کلیه ها در تصاویر توموگرافی کامپیوتری(ct) یک موضوع اساسی در تشخیص، درمان و برنامه ریزی جراحی محسوب می شود. متخصصان پزشکی از طریق قطعه بندی تصاویر توموگرافی قادرند اطلاعاتی در مورد ناهنجاری های کلیه از نظر شکل و اندازه کسب نمایند. قطعه بندی دستی تصاویر بسیار کُند، پرزحمت و خسته کننده است و موفقیت آن به طور قابل توجهی به تجربه فرد متخصص بستگی دارد. برای مقابله با این چالش، قطعه بندی به کمک رایانه بر اساس تکنیک های هوش مصنوعی ارائه گردید. در این مقاله یک روش قطعه بندی خودکار جهت شناسایی منطقه مورد نظر از تصاویر ct کلیه با استفاده از مدل بهبود یافته شبکه یو(u-net) معرفی می شود. در معماری پیشنهادی مجموعه وزن های موجود در مسیرهای انقباضی و انبساطی شبکه u-net پیشنهادی افزایش یافته و یک لایه پیچشی بهبود یافته نیز جهت ایجاد ارتباط خط لوله های رمزگذار و رمزگشا اضافه شده است. علاوه بر این، جهت بهینه سازی مقادیر فراپارامترهای معماری شبکه یو پیشنهادی از الگوریتم فراابتکاری نهنگ استفاده شده است. به منظور ارزیابی معماری پیشنهادی، از مجموعه داده kits19 استفاده شده است. نتایج ارزیابی ها نشان می دهد قطعه بندی با مدل پیشنهادی در مقایسه با کارهای پیشین از کیفیت بالاتری برخوردار است؛ بطوری که ضریب دایس با استفاده از روش پیشنهادی در مقایسه با روش پایه برای قطعه بندی کلیه 0.038 و توده کلیه 0.061 بهبود یافت.