تمييز وتحديد الورم في الدماغ من صور الرنين المغناطيسي باستخدام التعلم العميق

الباحث

رغد سليم محمد نجيب

المشرف

إيلاف أسامة عبدالمجيد

الجامعة

جامعة الموصل

الكلية / القسم

كلية علوم الحاسوب والرياضيات / علوم الحاسوب

الشهادة

ماجستير

السنة

2023

لغة الرسالة

عربي

الكلمات المفتاحية

أورام الدماغ ; صور الرنين المغناطيسي ; التعلم العميق ; تجزئة الصور

نظرا لزيادة الحاجة الى توفير تقنيات مساعدة للاطباء في قراءة تفاصيل الصور الطبية وتسهيل التعامل معها و بالاخص الماخوذة بواسطة الرنين المغناطيسي وبالتالي اتخاذ القرار الصائبء والاهتمام باعادة بناء صور ثلاثية الابعاد من الصور الثنائية لكونها تمتاز بالقدرة على تحسين dyed المشاهد للوسائط المتعددة من خلال توفير إحساس إضافي بالعمق. تهدف الرسالة الى اعادة بناء الصور الطبية ثلاثية الابعاد من الصور الثنائية باستخدام خوارزميات التعلم العميق للاستفادة منها في اعادة بناء الورم بعد استقطاعه للتعرف على أنسجة الدماغ المصابة بالورم وتصنيفها تلقائيًا sly على الورم .وللقيام بهدف الرسالة يتم اجراء معالجة اولية للصور الطبية للدماغ المستحصلة من جهاز الفحص بالرنين المغناطيسي واختزال حجم الصورة الى 256*256 والتي تم الحصول Yule من الموقع الرسمي kaggle وباستخدام لغة بايثون 4.6 paython وبتم كخطوة أولى تحميل جميع البيانات ثم تكوين النماذج واضافة التحسينات، تم بعد ذلك الاستعانة بشبكة Gan 7731013 لتميز الورم في Alle وجوده حيث تم استخدام )%70( من العينات كعينات تدريب وتم اعتماد ال )%30( البقية لأغراض الاختبار ثم مرحلة استخلاص الخواص وتمييز المنطقة المصابة واستقطاع che الورم من خلال الشبكة U_net كنموذج اول وبالاعتماد على المقياس الخسارة المستخدم Mean loss on train وينسبة 4 ..ومقياس دقة التدريب 0.7925 ومقياس المطابقة 0.8038 ومقياس Mean IoU of the test 00 %80.0 بالنسبة Unet 1/30113. اما في النموذج الثاني الشبكة الهجينة والاعتماد على ResNet50 backbend a.UNet كان حجم صورة الادخال 256 و نسبة التدريب %80 -%20 والمقياس الخسارة Mean loss on train وبنسبة 0.1704 Mean (ules DICE on train الدقة :0.87464 ومقياس المطابقة Mean DICE on 07 بنسبة0.9350 والمقياس Mean loU of the test images بنسبة 94 /بعد ذلك تم تحويل صور الدماغ مع الورم والورم بعد تجزئته من الدماغ الى صور ثلاثية الابعاد باستخدام برنامج -Msehlab2020

Due to a increasing requirment to provide assistive technologies for doctors in reading the details of medical images and facilitating dealing with them, especially those are taken by magnetic resonance imaging,(3D) interest has increased in reconstructing Three-Dimensional images from binary images, as it has the ability to improve the viewer's multimedia experience by providing Extra sense of depth. The thesis aims to reconstruct 3D medical images from binary images using deep learning algorithms to benefit from tumor reconstruction after segmentation to identify and automatically classify images cancerous brain tissue with tumor. Manual segmentation of tumor from MRI of the brain is time-consuming error-prone and is a complex and difficult task due to the complex structure of tumours, which often either have vague tumor borders, or spread to the proximal region of the brain, Thisresults in difficulty distinguishing affected tissue from normal. surrounding it. Therefore, a rapid and accurate brain tumor segmentation technique is requied. Convolutional neural networks have recently shown outstanding performance in image segmentation, classification,. In order to achieve the goal of the message, a preliminary processing of the medical images obtained from the official Sober Kaggle website is carried out using the Python Soft ware version 4.6 language. As a first step, all employed are loaded, then the models are created and improvements are added. After that, a model is envolved in the Vanila Gan Network.( VGN ) .The images are worked on in size (256 *256pixel), where (70%) of the samples are used for training samples, and the remaining (30%) samples are adopted for testing, then The phase of extracting the Features, distinguishing the affected area, and deducting the part tumor is performed by the hybrid network (U_net with Resnet _50 Mean loss in training with a ratio of 0.2354, the Training accuracy achieves is 0.7925, the conformity obtains 0.8038, and the mean Intersection over Union (IoU) of the test for the testing is 80.0% for Vanila Unet.,is Relying on the UNet with ResNet50, size of input images was 256, leads to training ratio between 20% -80 %, Mean loss training by 0.1704, Mean DICE train, Accuracy 0.8746, Mean DICE on validation records 0.9350, and mean IoU of obtains test images 94.0% After that, the images of the brain with the tumor and the tumor after its segmentation are converted into 3D images using the Mshlab2020 soft ware.

طلب نسخة من الملف

الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.

الاسم

رقم الهاتف

البريد الإلكتروني

الغرض من الطلب (اختياري)

إرسال الطلب