دانلود ترجمه مقاله مدل یادگیری عمیق کارآمد برای بخش بندی تصاویر پزشکی

1. مقدمه 2. کارهای مرتبط 3. روش تحقیق 4. نتایج تجربی و تحلیل 5. نتیجه گیری

چکیده – تقسیم ‌بندی تصویر پزشکی برای تشخیص بیماری و پشتیبانی از سیستم ‌های تصمیم پزشکی مهم است. این مطالعه مدل یادگیری عمیق تقسیم‌ بندی معنایی سه بعدی کارآمد به نام «3D-DenseUNet-569» را برای تقسیم‌ بندی کبد و تومور پیشنهاد می ‌کند. 3D-DenseUNet-569 پیشنهادی، یک مدل تقسیم ‌بندی معنایی کاملاً سه بعدی با شبکه عمیق ‌تر و پارامترهای قابل آموزش کمتر است. مدل پیشنهادی، کانولوشن ها و پیچش های تفکیک ‌پذیر عمق ‌محور (DS-Conv) را در مقابل پیچش سنتی اتخاذ می ‌کند. DS-Conv به طور قابل توجهی نیاز به حافظه GPU و هزینه محاسباتی را کاهش می دهد و به عملکرد بالایی دست می یابد. 3D-DenseUNet-569 پیشنهادی از اتصالات DensNet و پیوند های UNet استفاده می کند و ویژگی های سطح پایین را حفظ کرده و نتایج موثری را ایجاد می کند. نتایج مطالعه تجربی روی مجموعه داده استانداردLiTS نشان می‌دهد که مدل3D-DenseUNet-569 با توجه به مطالعات مرتبط، مؤثر و کارآمد است. مقدمه: امروزه، اسکن های تشخیصی پزشکی، به عنوان مثال توموگرافی کامپیوتری (CT) و تصویربرداری تشدید مغناطیسی (MRI) برای تشخیص و ارزیابی درمان بسیاری از بیماری ها، مهم تلقی می شوند. در کلینیک ها، عمدتاً متخصصان انسانی از جمله رادیولوژیست ها و پزشکان، تفسیر تصویر پزشکی را انجام می دهند. پیشرفت‌ های اخیر در تکنیک‌ های یادگیری عمیق به تقسیم‌ بندی، طبقه‌ بندی و شناسایی الگوها یا اندام ها در کاربردهای پزشکی کمک می کنند [1]. تومور کبد (سرطان) شایع ترین بیماری تومور در سراسر جهان است و سالانه منجر به مرگ و میر قابل توجهی می شود. اندازه‌گیری‌ های دقیق تومور (از MRI و CT)، از جمله اندازه، محل و شکل تومور، می‌تواند به پزشکان در ارزیابی دقیق سرطان و برنامه‌ریزی درمان کمک کند [2]، [3]. ناهنجاری در شکل و بافت کبد در تصاویر MRI وCT ، زیست ‌نشانگرهای مهمی برای تشخیص اولیه بیماری و پیشرفت در بیماری تومور کبدی محسوب می شوند [4]، [5]. برای تجزیه و تحلیل تصاویر پزشکی و تشخیص سرطان کبد از روش های تقسیم بندی دستی یا نیمه دستی (سنتی) استفاده می شود. متأسفانه، روش‌ های تقسیم ‌بندی سنتی، مبتنی بر عملگر هستند و بنابراین ذهنی و بسیار زمان ‌بر می باشند. بنابراین، تکنیک ‌های تقسیم ‌بندی خودکار کبد و تومور، تقاضای بالایی دارند. پیش از این، بسیاری از تکنیک های کامپیوتری (اتوماتیک)، توسعه یافته بودند. در واقع، توسعه تکنیک‌ های تقسیم‌ بندی معنایی مؤثر و کارآمد، یک موضوع تحقیقاتی جالب برای بسیاری از زمینه ‌ها محسوب می شود.

Medical image segmentation is important for disease diagnosis and support medical decision systems. The study proposes an efficient 3D semantic segmentation deep learning model “3D-DenseUNet-569” for liver and tumor segmentation. The proposed 3D-DenseUNet-569 is a fully 3D semantic segmentation model with a significantly deeper network and lower trainable parameters. The proposed model adopts Depthwise Separable Convolution (DS-Conv) as opposed to traditional convolution. The DS-Conv significantly decreases GPU memory requirements and computational cost and achieves high performance. The proposed 3D-DenseUNet-569 utilizes DensNet connections and UNet links, which preserve low-level features and produce effective results. The results of experimental study on the standard LiTS dataset demonstrate that the 3D-DenseNet-569 model is effective and efficient with respect to related studies. Introduction: Nowadays, medical diagnostic scans, for example Computed Tomography (CT) and Magnetic Resonance Imaging (MRI) are important for diagnosis and assessment the treatment of many disease. In clinics, human experts including radiologists and physicians mainly perform medical image interpretation. Recent advances in deep learning techniques are aiding in segmenting, classifying, and identifying patterns or organs in medical applications [1]. Liver tumor (cancer) is the most common tumor disease worldwide, and it leads to significant fatalities on an annual basis. Precise tumor measurements (from MRI and CT), including tumor size, location, and shape, can aid doctors in making precise cancer assessment and treatment planning [2], [3]. Abnormality in form and texture of liver in MRI and CT images are significant biomarkers for the diagnosis of initial disease and progression in liver tumor disease [4], [5]. Manual or semi-manual (traditional) segmentation methods are used to analyze medical images for diagnosing liver cancer. Unfortunately, traditional segmentation methods are based on the operator, and thus they are subjective and very time-consuming. Therefore, automatic segmentation techniques of liver and tumor are in high demand. Previously, many computer-aided (automatic) techniques were developed. Actually, develop effective and efficient semantic segmentation techniques are interesting research topic for many areas.