Skip to main content
SUPERVISOR
Nader Karimi,Shadrokh Samavi
نادر کریمی (استاد مشاور) شادرخ سماوی (استاد راهنما)
 
STUDENT
Safiyeh Rezaei
صفیه رضائی

FACULTY - DEPARTMENT

دانشکده مهندسی برق و کامپیوتر
DEGREE
Master of Science (MSc)
YEAR
1396

TITLE

Segmentation of Histopathological Images by Neural Networks
Due to the spread of different diseases, physicians use various medical imaging strategies to diagnose the disease. In most cases, early diagnosis of a variety of diseases can help treat them on time. The biopsy tissue is one of the ways to diagnose the disease. Microscopic examination of sampled tissue, known as histopathology, is widely used to diagnose and In terms of Keywords: Biopsy tissue, Histopathology Images, Medical Image Processing, Segmentation,
امروزه با توجه به گسترش انواع بیماری‌ها، پزشکان برای تشخیص بیماری از راهکار­های گوناگون تصویر برداری پزشکی استفاده می­کنند. در بیشتر مواقع، تشخیص زودهنگام انواع بیماری‌ها، کمک شایانی به درمان به­موقع آن‌ها می‌کند. از جمله راهکار­های تشخیص بیماری می­توان به نمونه­برداری بافت اشاره کرد. امروزه بررسی و مطالعه میکروسکوپی بافت­های نمونه­برداری شده که تحت عنوان آسیب­شناسی بافتی شناخته می­شود، برای تشخیص و دسته‌بندی تومورها و میزان بدخیمی آن‌ها، بسیار مورد استفاده قرار می­گیرد. وجود اسکنر­های دیجیتال قابلیت تولید تصویر دیجیتالی از اسلاید­های آسیب­شناسی بافتی را فراهم می­کند و به همین جهت این روش در دسته پردازش تصاویر پزشکی قرار می­گیرد. پردازش این تصاویر بسیار وقت­گیر و پر هزینه است و از طرفی به نیروی متخصص و با تجربه نیاز دارد. با وجود چالش­های موجود در پردازش تصاویر پزشکی، در سال‌های اخیر، الگوریتم‌ها و روش‌های مختلف تشخیص پزشکی به کمک رایانه، در حوزه بخش­بندی و دسته­بندی به کمک پزشکان و متخصصان آمده تا در تشخیص به موقع و دقیق­تر، آن‌ها را یاری نمایند. روش­های موجود در حوزه بخش­بندی بر پایه استفاده از ویژگی­های ظاهری غدد و سلول­ها در تصاویر و همچنین بر پایه شبکه­های عصبی عمیق است. روش­هایی که از ویژگی­های ظاهری استفاده می­کنند، معمولاً روش­های سریعی هستند در مقابل روش­های بر پایه شبکه عصبی عمیق دقت بخش­بندی بهتری ارائه می­دهند. در حوزه دسته­بندی نیز روش­ها بر پایه دسته­بند­های پایه و شبکه­های عصبی است. روش­های مبتنی بر دسته­بند­های پایه، روش­های سریع­تر و روش­های مبتنی بر شبکه­های عصبی روش­های کُند­تر و در مقابل ارائه دهنده دقت بیشتر هستند. در این پژوهش، به طور خاص به بخش‌بندی غدد در تصاویر آسیب­شناسی بافتی روده و دسته‌بندی سلول­ها در تصاویر میکروسکوپی خون می­پردازیم. برای مقابله با چالش غدد بهم چسبیده و غدد دارای ساختار نامنظم در موارد بدخیم در قسمت بخش­بندی، تغییراتی مانند وارونه سازی و احتمالی کردن نقشه درستی را اعمال کرده­ایم و شبکه­های عصبی عمیق آبشاری را به کار گرفته­ایم. در بخش دسته­بندی، با چالش­هایی مانند یکسان نبودن تعداد تصاویر در دسته­ها روبرو بودیم و برای مقابله با آن، تغییراتی در دسته­ها ایجاد کرده و از شبکه­های عصبی نیز جهت دسته­بندی استفاده کرده­ایم. نتایج به‌دست آمده و مقایسه­های انجام شده نشان­دهنده موفقیت روش­های پیشنهاد شده و حتی برتری آن­ها نسبت به سایر روش­های بررسی شده است. کلمات کلیدی: 1- نمونه‌برداری بافت 2- تصاویر آسیب شناسی بافتی 3- پردازش تصاویر پزشکی 4- بخش­بندی 5- دسته‌بندی 6- شبکه­های عصبی 7- دسته­بند­های پایه

ارتقاء امنیت وب با وف بومی

100%