ناحیه بندی تصاویر مغز نوزادان بر اساس شبکه های عصبی پیچشی

در این مقاله، روشی مبتنی بر شبکه های عصبی پیچشی برای ناحیه بندی تصاویر مغز نوزادان ارائه می شود. یکی از چالش های مهم در ناحیه بندی تصاویر مغز نوزادان، همپوشانی توزیع شدت روشنایی بافت های ماده خاکستری و ماده سفید است که منجر به کاهش دقت ناحیه بندی این نواحی می شود. برای افزایش تمایز سطوح خاکستری بین بافت های مغز، در این مقاله یک روش پیش پردازش مبتنی بر شبکه های عصبی پیچشی ارائه می شود که به طور موثری باعث افزایش دقت ناحیه بندی می گردد. برای به دست آوردن نتیجه نهایی ناحیه بندی، یک شبکه پیچشی دیگر ارائه می شود که بر اساس تصاویر مدالیتی t1 t2ناحیه بندی را انجام می دهد. برای ارزیابی روش پیشنهادی، از دو پایگاه داده که شامل تصاویر رزونانس مغناطیسی مغز نوزادان است استفاده می شود. نتایج به دست آمده نشان دهنده کارایی مناسب روش پیشنهادی در ناحیه بندی بافت های مغز است.

infant brain image segmentation using the convolutional neural networks

in this paper, a method based on convolutional neural networks for segmenting neonatal brain images is presented. one of the major challenges in neonatal brain image segmentation is the intensity distribution overlapping between gray matter and white matter tissues, which reduces the segmentation accuracy of these areas. to increase the intensity differentiation between brain tissues, this paper presents a pre processing method based on convolutional neural networks that effectively increases the segmentation accuracy. to obtain the final segmentation result, another convolutional neural network is proposed which performs segmentation based on t1 t2 images. to evaluate the performance of the proposed method, two databases are used, which include magnetic resonance imaging of infants' brains. the results show the appropriate efficiency of the proposed method in segmenting brain tissues.