SUPERVISOR
Shadrokh Samavi,Nader Karimi
شادرخ سماوی (استاد مشاور) نادر کریمی (استاد راهنما)
STUDENT
Zahra Sobhaninia
زهرا سبحانی نیا
FACULTY - DEPARTMENT
دانشکده مهندسی برق و کامپیوتر
DEGREE
Master of Science (MSc)
YEAR
1396
TITLE
Segmentation of Fetal Ultrasounds Images Based on Multi-Task Deep Neural Networks
The increasing use of medical imaging to diagnose and treat diseases on the one hand and the complexity and time-consuming analysis of medical images by specialists, on the other hand, has necessitated the approaches provision of automated methods for the medical images analysis. Recently many researchers have focused on deep learning, which plays a significant role in the rgb(29, 34, 40); font-family: "Helvetica Neue", Helvetica, Arial, sans-serif; font-size: 13px; text-align: left; text-indent: 0px; white-space: normal; direction: ltr; margin-right: 0px; margin-left: 0px; font-stretch: normal; line-height: normal;" In this thesis, three different datasets for rgb(29, 34, 40); font-family: "Helvetica Neue", Helvetica, Arial, sans-serif; font-size: 13px; text-align: left; text-indent: 0px; white-space: normal; direction: ltr; margin-right: 0px; margin-left: 0px; font-stretch: normal; line-height: normal;" For this purpose, at first, methods based on single task learning are proposed to improve segmentation and rgb(29, 34, 40); font-family: "Helvetica Neue", Helvetica, Arial, sans-serif; font-size: 13px; text-align: left; text-indent: 0px; white-space: normal; direction: ltr; margin-right: 0px; margin-left: 0px; font-stretch: normal; line-height: normal;" In the next step of the research, approaches based on multitask learning are discussed. The data set examined in this study includes abdominal ultrasound images of fetal heads, brain MRI images, and retinal fundus images. The tasks defined on each of these datasets are also segmentation of the fetal head area and extraction of its bio-metric parameters, Keywords: 1- Medical images segmentation of 2-Deep learning 3-Multitasking learning 4-Ultrasound 5-Brain tumor 6-Optic disk Segmentatio The increasing use of medical imaging to diagnose and treat diseases on the one hand and the complexity and time-consuming analysis of medical images by specialists, on the other hand, has necessitated the approaches provision of automated methods for the medical images analysis. Recently many researchers have focused on deep learning, which plays a significant role in the dir="LTR" In this thesis, three different datasets for dir="LTR" For this purpose, at first, methods based on single task learning are proposed to improve segmentation and dir="LTR" In the next step of the research, approaches based on multitask learning are discussed. The data set examined in this study includes abdominal ultrasound images of fetal heads, brain MRI images, and retinal fundus images. The tasks defined on each of these datasets are also segmentation of the fetal head area and extraction of its biometric parameters, dir="RTL" Keywords: Medical images segmentation, Deep learning, Multitask learning, Ultrasound, Brain tumor, Optic disk Segmentation
گسترش روزافزون استفاده از تصویربرداری پزشکی به منظور تشخیص و درمان بیماری ها از یک سو و پیچیده و زمان بر بودن تحلیل تصاویر پزشکی توسط متخصصین از سویی دیگر، به ارائه ی روش های خودکار به منظور تحلیل تصاویر پزشکی ضرورت بخشیده است. یکی از رویکردهایی که اخیرا در طبقه بندی و بخش بندی تصاویر پزشکی مورد توجه بسیاری از محققان قرار گرفته است، یادگیری عمیق می باشد.این روش یادگیری را می توان به رویکردهای مبتنی بر یادگیری تک وظیفه ای و چند وظیفه ای دسته بندی نمود. در یادگیری چندوظیفه ای با به اشتراک گذاری ویژگی های استخراج شده ی وظیفه ها سعی در یادگیری همزمان آن ها داشته و موجب بهبود عملکرد حداقل یکی از آن ها می شود. در این تحقیق با بررسی سه مجموعه داده ی متفاوت، بهبود عملکرد شبکه های عمیق مبتنی بر یادگیری چند وظیفه ای نسبت به شبکه های عمیق مبتنی بر یادگیری تک وظیفه-ای بررسی شده است. بدین منظور در ابتدا روش های پیشنهادی مبتنی بر یادگیری تک وظیفه ای جهت بهبود عملکرد وظائف بخش بندی و طبقه بندی مطرح می شوند. در این راستا با اعمال تغییراتی در ساختار شبکه ی LinkNet، استفاده از رویکرد آبشاری، روش هایی با هدف بخش بندی و طبقه بندی در مجموعه داده های تحت بررسی پیشنهاد می شود. در گام بعدی تحقیق نیز به رویکردهایی مبتنی بر یادگیری چندوظیفه ای پرداخته می شود. مجموعه داده هایی که در این تحقیق مورد بررسی قرار گرفته اند شامل تصاویر اولتراسوند شکمی از سر جنین، تصاویر MRI مغزی و تصاویر فوندوس شبکیه چشم می باشند. وظیفه هایی که بر هر یک از این مجموعه داده ها تعریف شده نیز به ترتیب بخش بندی ناحیه ی سر جنین و استخراج عوامل زیست سنجی آن، طبقه بندی و بخش بندی ناحیه ی تومور مغزی و بخش بندی نواحی دیسک و کاپ نوری می باشد. ارزیابی های انجام شده نشان می دهند، شبکه های پیشنهادی با یادگیری همزمان وظایفی مانند بخش بندی و رگرسیون، طبقه بندی و بخش بندی و بخش بندی دو ناحیه به صورت همزمان، عملکرد حداقل یکی از وظیفه ها را به صورت چشمگیری ارتقا می دهند.گسترش روزافزون استفاده از تصویربرداری پزشکی به منظور تشخیص و درمان بیماری ها از یک سو و پیچیده و زمان بر بودن تحلیل تصاویر پزشکی توسط متخصصین از سویی دیگر، به ارائه ی روش های خودکار به منظور تحلیل تصاویر پزشکی ضرورت بخشیده است. یکی از رویکردهایی که اخیرا در طبقه بندی و بخش بندی تصاویر پزشکی مورد توجه بسیاری از محققان قرار گرفته است، یادگیری عمیق می باشد.این روش یادگیری را می توان به رویکردهای مبتنی بر یادگیری تک وظیفه ای و چند وظیفه ای دسته بندی نمود. در یادگیری چندوظیفه ای با به اشتراک گذاری ویژگی های استخراج شده ی وظیفه ها سعی در یادگیری همزمان آن ها داشته و موجب بهبود عملکرد حداقل یکی از آن ها می شود. در این تحقیق با بررسی سه مجموعه داده ی متفاوت، بهبود عملکرد شبکه های عمیق مبتنی بر یادگیری چند وظیفه ای نسبت به شبکه های عمیق مبتنی بر یادگیری تک وظیفه-ای بررسی شده است. بدین منظور در ابتدا روش های پیشنهادی مبتنی بر یادگیری تک وظیفه ای جهت بهبود عملکرد وظائف بخش بندی و طبقه بندی مطرح می شوند. در این راستا با اعمال تغییراتی در ساختار شبکه ی LinkNet استفاده از رویکرد آبشاری، روش هایی با هدف بخش بندی و طبقه بندی در مجموعه دادههای تحت بررسی پیشنهاد می شود. در گام بعدی تحقیق نیز به رویکردهایی مبتنی بر یادگیری چندوظیفه ای پرداخته می شود. مجموعه داده هایی که در این تحقیق مورد بررسی قرار گرفته اند شامل تصاویر اولتراسوند شکمی از سر جنین، تصاویر MRI مغزی و تصاویر فوندوس شبکیه چشم می باشند. وظیفه-هایی که بر هر یک از این مجموعه داده ها تعریف شده نیز به ترتیب بخش بندی ناحیه ی سر جنین و استخراج عوامل زیست سنجی آن، طبقه بندی و بخش بندی ناحیه ی تومور مغزی و بخش بندی نواحی دیسک و کاپ نوری می باشد. ارزیابی های انجام شده نشان می دهند، شبکه های پیشنهادی با یادگیری همزمان وظایفی مانند بخش بندی و رگرسیون، طبقه بندی و بخش بندی و بخش-بندی دو ناحیه به صورت همزمان، عملکرد حداقل یکی از وظیفه ها را به صورت چشمگیری ارتقا می دهند. کلماتکلیدی: 1-بخشبندیتصاویرپزشکی2-یادگیریعمیق3-یادگیریچندوظیفهای4-اولتراسوند5-تومورمغزی6-بخشبندیدیسکچشم