تشخیص توده کلیه با استفاده از شبکه عصبی عمیق مبتنی بر U-Net

تشخیص توده کلیه با استفاده از شبکه عصبی عمیق مبتنی بر U-Net، رویکردی نوآورانه برای قطعه‌بندی دقیق تصاویر سی‌تی اوروگرافی در تحلیل پزشکی است. توده‌های کلیوی به دلیل شباهت به بافت سالم کلیه و ناهمگنی در تصاویر سی‌تی اسکن، تشخیص چالش‌برانگیزی دارند. این پایان نامه به بررسی روشی می‌پردازد که با بهره‌گیری از مدل بهبودیافته U-Net و بهینه‌سازی فراپارامترها توسط الگوریتم وال، دقت قطعه‌بندی و تشخیص توده‌های کلیوی را به‌طور قابل‌توجهی افزایش داده است. این روش به رادیولوژیست‌ها کمک می‌کند تا با کاهش بار کاری و خطاهای انسانی، تشخیص دقیق‌تری ارائه دهند.

چالش‌های قطعه‌بندی توده‌های کلیوی

قطعه‌بندی دقیق کلیه و توده‌های کلیوی در تصاویر سی‌تی اوروگرافی برای تحلیل رادیومیک و برنامه‌ریزی جراحی ضروری است. روش‌های سنتی که توسط رادیولوژیست‌ها به‌صورت دستی انجام می‌شوند، زمان‌بر بوده و به تجربه بالای پزشک وابسته‌اند. علاوه بر این، ناهمگنی تصاویر و شباهت توده‌های کلیوی به بافت سالم، احتمال خطا را افزایش می‌دهد. در این پژوهش، مدل U-Net بهبودیافته با افزایش وزن‌های مسیرهای انقباض و انبساط و افزودن ماژول کانولوشنی جدید برای تقویت ارتباط بین آنکدر و دیکدر، این چالش‌ها را برطرف کرده است.

نقش الگوریتم وال در بهینه‌سازی

نوآوری اصلی این پژوهش، استفاده از الگوریتم وال برای بهینه‌سازی فراپارامترهای شبکه U-Net است. این فراپارامترها شامل نرخ یادگیری اولیه، ضریب افت نرخ یادگیری، دوره افت نرخ یادگیری و اندازه دسته (mini batch size) هستند. الگوریتم وال با کدگذاری عوامل جستجو به‌صورت بردارهای یک‌طرفه و استفاده از تابع شایستگی میانگین خطای مربع، عملکرد شبکه را بهبود بخشیده و دقت قطعه‌بندی را افزایش داده است. این روش، که پیش‌تر در این حوزه استفاده نشده، دقت تشخیص را به سطح بالاتری رسانده است.

نتایج و ارزیابی عملکرد

آزمایش‌های انجام‌شده بر روی مجموعه داده عمومی Kits19 نشان‌دهنده برتری مدل پیشنهادی نسبت به روش‌های موجود است. این مدل با معیارهایی نظیر ضریب دایس، صحت، دقت، یادآوری و F-Measure ارزیابی شده و نتایج بهبود قابل‌توجهی در قطعه‌بندی خودکار توده‌های کلیوی نشان داده است. این روش با کاهش سربار کاری رادیولوژیست‌ها و خستگی چشمی ناشی از بررسی تصاویر متعدد، امکان تشخیص سریع‌تر و دقیق‌تر را فراهم می‌کند.

اهداف و کاربردهای بالینی

هدف اصلی این پژوهش، ارائه یک مدل یادگیری عمیق برای قطعه‌بندی خودکار نواحی کلیه و توده‌های کلیوی در تصاویر سی‌تی اوروگرافی است. این مدل با دریافت تصاویر خام و شناسایی خودکار ضایعات، به پزشکان کمک می‌کند تا با اطمینان بیشتری تشخیص اولیه را انجام دهند. از دیگر اهداف این مطالعه می‌توان به بهبود صحت الگوریتم نسبت به روش‌های موجود، کاهش نرخ خطا و افزایش کارایی در تحلیل بالینی اشاره کرد. این روش می‌تواند در برنامه‌ریزی جراحی و تشخیص تفاضلی توده‌های کلیوی نقش مهمی ایفا کند.

نتیجه‌گیری

تشخیص توده کلیه با استفاده از شبکه عصبی عمیق مبتنی بر U-Net، گامی بزرگ در جهت بهبود فرآیندهای تشخیصی پزشکی است. این روش با بهره‌گیری از الگوریتم وال و بهبود معماری U-Net، دقت و کارایی قطعه‌بندی تصاویر سی‌تی اوروگرافی را ارتقا داده است. نتایج این پژوهش نشان‌دهنده پتانسیل بالای این مدل برای استفاده در سیستم‌های تشخیصی با کمک کامپیوتر است که می‌تواند بار کاری رادیولوژیست‌ها را کاهش داده و کیفیت تشخیص را بهبود بخشد. این رویکرد می‌تواند پایه‌ای برای توسعه ابزارهای پیشرفته‌تر در آینده باشد.