ارائه روشی جدید برای استانداردسازی تصاویر سی تی اسکن با استفاده از مدل های یادگیری عمیق

چکیده مقاله

مطالعات تصویربرداری سی تی چندمرکزی معمولا با ناهمگونی ناشی از تفاوت در اسکنرها، هسته های بازسازی و پروتکل های تصویربرداری مواجه هستند که این امر منجر به تغییرات قابل توجه در ویژگی های رادیومیک می شود در این مقاله، یک روش یادگیری عمیق مبتنی بر سنتز تصویر برای استانداردسازی تصاویر سی تی اسکن ارائه می شود که با بهره گیری از یادگیری انتقالی و شبکه های خصمانه مولد، تصاویر غیراستاندارد را به تصاویر هم توزیع با تصاویر مرجع استاندارد نگاشت می کند نوآوری اصلی این پژوهش، معرفی یک استراتژی آموزشی جدید تحت عنوان آموزش پنجره ای است که با کنترل تدریجی دامنه موثر اعداد HU هانسفیلد ، امکان انتقال یادگیری از تصاویر طبیعی به تصاویر پزشکی را فراهم می سازد ارزیابی مدل پیشنهادی بر روی داده های واقعی بیماران و فانتوم نشان می دهد که این روش، در مقایسه با روش های مرجع، بازتولیدپذیری ویژگی های رادیومیک را به طور معناداری بهبود داده و کیفیت بصری تصاویر سنتزشده را نیز حفظ می کند نتایج بیانگر کارایی بالای روش پیشنهادی در استانداردسازی تصاویر CT و افزایش قابلیت اطمینان تحلیل های رادیومیک چندمرکزی است

کلیدواژه‌ها

نویسندگان

سیدمجتبی حسینی راد

استادیار، دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر دانشگاه پیام نور شاهرود شاهرود

محمدمهدی حسینی

گروه کامپیوتر، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران

�سینی راد، سیدمجتبی و حسینی، محمدمهدی،1404،ارائه روشی جدید برای استانداردسازی تصاویر سی تی اسکن با استفاده از مدل های یادگیری عمیق،پنجمین همایش ملی و نخستین همایش بین المللی محاسبات نرم علوم مهندسی در صنعت و جامعه،ایرانشهر

ارائه‌شده در

مجموعه مقالات دهمین کنگره ملی تازه های مهندسی برق و کامپیوتر ایران26 بهمن 1404 · ایرانشهر