دانشکده مهندسی کامپیوتر- دفاعیه دکترا
جلسه دفاعیه از رساله دکتری

حذف تصاویر و رنگ‌ها  | تاریخ ارسال: 1397/5/6 | 

آقای احسان اله کوزه گر دانشجوی دکترای جناب آقای دکتر محسن سریانی روز شنبه مورخ 1397/05/06 ساعت 15:30 در اتاق دفاعیه دکترا دانشکده مهندسی کامپیوتر از رساله دکتری خود تحت عنوان توسعه مدل های شکل پذیر مبتنی بر لبه برای بخش بندی توده های موجود در تصاویر سه بعدی اولتراسوند پستان با "درجه عالی"  دفاع نمود.


چکیده پایان نامه :

   مؤثرترین راه برای مقابله با سرطان پستان تشخیص زودهنگام است که با استفاده از تصویربرداری از پستان میسر می­گردد. در این رساله بر روی تصاویر اولتراسوند سه­بُعدی خودکار موسوم به ABUS متمرکز شده­ایم. در تحقیق حاضر برای کمک به رادیولوژیستها دو سیستم کمکی کامپیوتری پیشنهاد شده است: 1) سیستم کامپیوتری برای شناسایی مکان توده­ و 2) سیستم کامپیوتری برای بخش­بندی توده.
برای شناسایی مکان توده­ها یک سیستم کامپیوتری چند مرحله­ای پیشنهاد شده است. در مرحله اول، از یک روش حذف نویز موسوم به OBNLM برای کاهش نویز لکه­ای استفاده می­شود. در مرحله دوم با استفاده از یک روش جدید بر مبنای کانتورهای تک­شدتی نواحی مشکوک اولیه استخراج می­شود. سپس، به منظور کاهش تعداد کانتورهای کاذب استخراج شده، از فیلترهایی بر مبنای دوار بودن، میزان روشنایی و قدرت کانتورها بهره می­گیریم. در ادامه، برای حذف بیشتر نواحی مثبت کاذب، یک رده­بند ترکیبی آبشاری پیشنهاد دادیم که رده­بندهای پایه آن را رده­بندی به نام بوستینگ زیرنمونه­گیری تصادفی (RUSBoost) تشکیل می­دهد. کارایی سیستم توده­یاب پیشنهادی بر روی 104 حجم از 74 بیمار که شامل 112 توده بدخیم است مورد آزمایش قرار گرفت. طبق تحلیل FROC، سیستم پیشنهادی به ازای یک نمونه مثبت کاذب در یک حجم، به حساسیت مبتنی بر بیمار برابر 76% و حساسیت مبتنی بر ناحیه برابر 68% دست یافت.
در سیستم پیشنهادی برای بخش­بندی توده ، از یک مدل دو مرحله­ای استفاده شد. در مدل پیشنهادی، اطلاعات شکل توده­های موجود در مجموعه آموزش جهت افزایش دقت بخش­بندی دخالت داده می­شود. در گام اول از این مدل، از یک الگوریتم رشد ناحیه تطبیقی برای به دست آوردن یک تخمین کلی از مرز توده استفاده کردیم. در گام نهایی، کانتور حاصل از این مرحله به عنوان کانتور اولیه در اختیار یک مدل شکل­پذیر هندسی مبتنی بر لبه جدید قرار داده می­شود. این مدل بر روی مجموعه داده­ای مشتمل بر 50 توده مورد ارزیابی قرار گرفت و به معیار دایسی برابر با 19/0±74/0 دست یافت. همچنین برای مقایسه بیشتر، یک مدل یادگیری عمیق به نام u-net سه­بُعدی را برای بخش­بندی امتحان کردیم که به میانگین دایسی برابر 30/0±61/0 دست یافتیم.
 

 Abstract:
 
Nowadays, breast cancer is the leading cause of death for women all over the world. Since the reason of breast cancer is unknown, early detection of the disease plays an important role in cancer control, saving lives and reducing costs. Among different modalities, automated 3-D breast ultrasound (3-D ABUS) is a new and effective imaging modality which has attracted a lot of interest as an adjunct to mammography for women with dense breasts.  In this thesis, two computer aided systems are proposed to assist radiologists: (1) a computerized system for finding the location of masses and 2) a computerized system for mass segmentation.
 
For mass detection, a multi stage algorithm has been designed. In the first step, a denoising method called Optimized Bayesian Non-Local Mean (OBNLM) filter is used to reduce the speckle noise. Consequently, preliminary suspicious candidate regions are extracted using a novel algorithm based on iso-contours. Afterwards, different domain specific filters such as area filter and circularity filter are utilized to exclude false positive regions. Then, a cascaded ensemble classifier consisting four Random Under-Sampling Boosting (RUSBOOST) classifiers is applied for further reduction of false positives. The performance of the proposed mass detection method was evaluated on 104 volumes from 74 patients, including 112 cancers. Based on Free Response Operating Characteristic (FROC) analysis, the CADe system achieved the region-based sensitivity and case-based sensitivity of 68% and 76% at one false positive per image.
 
In the presented mass segmentation method, a two-stage algorithm is used which considers the shape information of training masses to improve the segmentation accuracy. In the first step, an adaptive region growing algorithm is introduced to achieve a rough estimation of the mass boundary. Then, the resultant contour is fed to a novel edge based geometric deformable model as an initial contour. In a dataset of 50 masses including 38 malignant and 12 benign lesions, the proposed segmentation method achieved a mean Dice of 0.74±0.19 which outperformed the adaptive region growing with a mean Dice of 0.65±0.2 (p-value<0.02). Moreover, the resulting mean Dice was significantly (p-value<0.001) better than that of distance regularized level set evolution method (0.52±0.27). The supervised method presented in this paper achieved accurate mass segmentation results in terms of Dice measure. Moreover, for further comparison, a state-of-the-art deep learning based segmentation method called 3-D U-Net was used which achieved a mean Dice of 61%.
 


ارائه ­دهنده:

احسان اله کوزه گر

  استاد راهنما:

  دکتر محسن سریانی

اساتید مشاور:

دکتر حمید بهنام، دکتر معصومه سلامتی
 

  هیات داوران:

1دکتر محمود فتحی، دکتر مرتضی آنالویی، دکتر حمید ابریشمی مقدم، دکتر عماد الدین فاطمی زاده

زمان : شنبه 06 مرداد ماه 1397

  ساعت 15:30

  مکان: دانشکده مهندسی کامپیوتر- طبقه دوم- اتاق دفاعیه دکترا

  از اساتید بزرگوار، دانشجویان گرامی و دیگر متخصصان و علاقه مندان به موضوع دفاعیه دعوت
می شود با حضور خود موجبات غنای علمی و ارتقای کیفی را فراهم سازند.

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی

نشانی مطلب در وبگاه دانشکده مهندسی کامپیوتر:
http://idea.iust.ac.ir/find-14.11063.53639.fa.html
برگشت به اصل مطلب