دانلود ترجمه مقاله تقسیم بندی تصویر پزشکی مبتنی بر هوش مصنوعی برای پرینت سه بعدی

1. مقدمه 2. طراحی برنامه 3. کاربردهای بالینی 4. نتیجه گیری و جهت گیری های آتی

چکیده – بخش بندی تصویر برای چاپ و تصویرسازی سه بعدی، به یکی از اجزای اساسی در بسیاری از زمینه های پژوهش پزشکی، تدریس و شیوه های اجرایی بالینی، تبدیل شده است. بخش بندی تصویر در علم پزشکی، نیاز به اندازه گیری کامپیوتری و ابزارهای تصویر سازی پیشرفته دارد. اخیراً، با توسعه فنآوری هوش مصنوعی (AI)، تومورها یا اندام ها را می توان به نحو سریع و دقیق شناسایی کرد و به صورت اتوماتیک از تصاویر پزشکی، کانتورسازی کرد. این مقاله، یک برنامه ثبت تصویر، بخش بندی و تصویر سازی سه بعدی چندماژولی مستقل از پلتفرم به نام بخش بندی تصویر پزشکی مبتنی بر هوش مصنوعی برای چاپ سه بعدی و تصویر سازی سه بعدی با چشم غیرمسلح (AIMIS3D)، را معرفی می کند. برای تشخیص اندام پروستات از تصاویر MRI وزن بندی شده با T2 با آموزش صحیح، از الگوریتم YOLOV3 استفاده شد. سرطان پروستات و سرطان مثانه براساس U-net از تصاویر MRI، بخش بندی شدند. تصاویر CT از سرطان استخوان برروی این پلتفرم بارگذاری شدند تا ستون فقرات، سرطان استخوان، رگ ها و عصب های محلی برای چاپ سه بعدی بخش بندی شوند. جابجایی سینه (پستان) در طی هر پرتودرمانی با شناسایی موقعیت سینه بند پلاستیکی چاپ سه بعدی شده، مورد ارزیابی کمیتی قرار گرفت. رگ های مغزی درون تصاویر MRI چند مودالیته با استفاده از یادگیری انتقالی مبتنی بر مدل در پلتفرم AIMIS3D بخش بندی شدند.

Image segmentation for 3D printing and 3D visualization has become an essential component in many fields of medical research, teaching, and clinical practice. Medical image segmentation requires sophisticated computerized quantifications and visualization tools. Recently, with the development of artificial intelligence (AI) technology, tumors or organs can be quickly and accurately detected and automatically contoured from medical images. This paper introduces a platform-independent, multi-modality image registration, segmentation, and 3D visualization program, named artificial intelligence-based medical image segmentation for 3D printing and naked eye 3D visualization (AIMIS3D). YOLOV3 algorithm was used to recognize prostate organ from T2-weighted MRI images with proper training. Prostate cancer and bladder cancer were segmented based on U-net from MRI images. CT images of osteosarcoma were loaded into the platform for the segmentation of lumbar spine, osteosarcoma, vessels, and local nerves for 3D printing. Breast displacement during each radiation therapy was quantitatively evaluated by automatically identifying the position of the 3D printed plastic breast bra. Brain vessel from multi-modality MRI images was segmented by using model-based transfer learning for 3D printing and naked eye 3D visualization in AIMIS3D platform.