پديد آورندگان :
مجيدپورخوئي، رضا دانشگاه آزاد اسلامي واحد اروميه , عليلو، مهدي دانشگاه آزاد اسلامي واحد اروميه - گروه مهندسي كامپيوتر , مجيدزاده، كامبيز دانشگاه آزاد اسلامي واحد اروميه - گروه مهندسي كامپيوتر , بابازاده سنگر، امين دانشگاه آزاد اسلامي واحد اروميه - گروه مهندسي كامپيوتر
كليدواژه :
سيستمهاي كمك تشخيص كامپيوتري , پردازش تصوير پزشكي , غدد ريوي , شبكه هاي عصبي مصنوعي , يادگيري عميق
چكيده فارسي :
پيش‌زمينه و هدف: يكي از نشانه‌هاي بروز سرطان ريه، كه يكي از مرگبارترين سرطان‌ها محسوب مي‌گردد، غده‌هاي ريوي مي‌باشند. به دليل اينكه آشكارسازي اين غده‌هاي ريز از روي تصاوير سي‌تي‌اسكن ريه با چشم بسيار دشوار مي‌باشد بنابراين سيستمهاي هوشمند يا سيستمهاي تشخيص به كمك كامپيوتر (CAD)، مي‌توانند به‌عنوان كمك كار متخصص در آشكارسازي، محل يابي و ارزيابي كيفيت غده كمك كنند. مهم‌ترين چالش سيستمهاي هوشمند موجود، ارتقاء متعادل معيارهاي دقت، تشخيص، حساسيت و كاهش نرخ خطاي مثبت كاذب (FPr) بوده و همچنين پيچيدگي اين سيستم‌ها، باعث كاهش كارايي و سرعت اجرا شده است بنابراين هدف از انجام پژوهش حاضر، ارائه يك چارچوب چابك و بهينه سازي چالش مدنظر مي‌باشد.
مواد و روش كار: يكي از زيرشاخه‌هاي نوين هوش مصنوعي، يادگيري عميق وگرايش شبكه‌هاي CNN مي‌باشند كه در سال‌هاي اخير، در تحليل تصاوير پزشكي كاربرد زيادي يافته‌اند. در اين پژوهش، يك شبكه ابتكاري مبتني بر شبكه‌هاي CNN از نوع LeNet جهت استخراج ويژگي‌هاي تصوير و همچنين كلاس بندي تصاوير پيشنهاد مي‌گردد. ديتاست مورد استفاده، يك زيرمجموعه به تعداد 7072 قطعه تصوير كه از مجموعه ديتاست استاندارد LIDC-IDRI حاصل شده است، مي‌باشد. غده‌هاي موجود در اين تصاوير كه جهت آموزش و اعتبارسنجي شبكه، استفاده مي‌شوند داراي اندازه‌هاي 1 تا 4 ميلي متر مي‌باشند.
يافته‌ها: فرآيندهاي آموزش و اعتبارسنجي اين شبكه با يك دستگاه رايانه داراي پردازنده Core i5 2.4GHz، حافظه 8GB و كارت گرافيكIntel Graphics 520 در مدت زمان، پنج ساعت و يازده دقيقه اجرا شده و به ميزان دقت، حساسيت و تشخيص به ترتيب برابر با 91.1درصد،85.3درصد و 92/8درصد دست يافته است.
بحث و نتيجه‌گيري: با توجه به مبناي استاندارد مدل ارائه شده و نيز استفاده از تصاوير پايگاه داده معتبر براي سنجش شبكه و مقايسه با كارهاي پيشين، نتايج حاصل شده از آن، تعادل خوبي را بين معيارهاي ارزيابي برقرار نموده و با اجراي سريع‌تر، قابليت لازم براي كاربردهاي زمان واقعي را كسب مي‌نمايد.
چكيده لاتين :
Background & Aims: One of the symptoms of lung cancer, which is one of the deadliest cancers, is the
lung nodules. It is very difficult to detect these tiny nodules on CT scans of the lungs with the naked
eye. Therefore, intelligent systems or computer-aided detection (CAD) systems can assist a radiologist
in detecting, locating, and evaluating the quality of lung nodules. The most important challenge of
existing intelligent systems is the balanced improvement of accuracy, sensitivity, specificity, and
reduction of false positive rate (FPr), and also the complexity of these systems has reduced the efficiency
and speed of execution. Therefore, the purpose of this study was to provide an agile framework and
optimize the challenge.
Materials & Methods: One of the new subfields of artificial intelligence is the deep learning and
orientation of CNN networks, which has been widely used in the analysis of medical images in recent
years. In this research, an innovative network based on CNN networks of LeNet type is proposed to
extract image features as well as image classification. The used dataset is a subset of 7072 image pieces
derived from the LIDC-IDRI standard dataset. The size of nodules of these images, which are used to
train and validate the network, are 1 to 4 mm.
Results: The training and validation processes of this network were performed with a computer device
(configurations 2.4GHz Core i5 processor, 8GB of memory, and Intel Graphics 520) in five hours and
eleven minutes and the accuracy, sensitivity, and specificity are 91.1%, 85.3% and 92.8%, respectively.
Conclusion: Based on the standard basis of the proposed model and also the use of valid database
images to measure the network and compare with previous works, the results establish a good balance
between evaluation criteria, and with faster implementation gain the necessary capability for real time
applications.
