دانلود ترجمه مقاله ویژگی های توجه عمیق برای جداسازی پروستات در سونوگرافی (اسپرینگر ۲۰۱۸) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

ویژگی های توجه عمیق برای جداسازی پروستات در سونوگرافی

Deep Attentional Features for Prostate Segmentation in Ultrasound

چکیده

۱- مقدمه

۲- ویژگی‌های توجه عمیق برای جداسازی

۲-۱ بررسی کلی روش

۲-۲ ویژگی‌های توجه عمیق

۳- آزمایش‌ها

۳-۱ مواد

۳-۲ استراتژی‌های آموزش دادن و آزمایش کردن

۳-۳ عملکرد جداسازی

۴- نتیجه‌گیری

چکیده

تقسیم خودکار پروستات در ﺳﻮﻧﻮﮔﺮاﻓﯽ ﺗﺮاﻧﺲ رﮐﺘﺎل (TRUS) برای بافت‌برداری تصاویر هدایت‌شده‌ پروستات و برنامه‌ریزی درمان بسیار حائر اهمیت می‌باشد. همچنین به‌دلیل مرز مبهم و توزیع شدت غیرهمگن پروستات در TRUS، توسعه دادن اینگونه راه‌حل‌های خودکار هنوز چالش‌برانگیز باقی‌مانده است. در این پژوهش، یک شبکه‌ی عصبی عمیق جدید که با ماژول‌های ویژگی توجه عمیق (DAF) مجهز شده است، برای جداسازی بهتر پروستات در TRUS با استفاده از استخراج کردن اطلاعات مکمل کدگذاری‌شده در لایه‌های مختلف شبکه‌ی عصبی پیچشی (CNN) توسعه داده شده است. همچنین DAF متعلق به ما جهت انتخاب قدرت نفوذ ویژگی‌های چندگانه‌ی ادغام‌شده از طریق لایه‌های مختلف برای تصحیح کردن ویژگی‌های هر لایه‌ی منحصربه‌فرد، متوقف کردن سرو‌صدای غیرپروستات در لایه‌های کم‌عمق CNN و افزایش دادن تعداد جزئیات پروستات درون ویژگی‌های لایه‌های عمیق از مکانیزم توجه استفاده می‌کند. ما تأثیر شبکه‌ی پیشنهادی را بر روی تصاویر چالش‌بر‌انگیز TRUS پروستات و همچنین نتایج تجربی ارزیابی می‌کنیم تا عملکرد بهتر روش‌های نوین را به‌وسیله‌ی یک تفاوت مزیت بزرگ نشان دهیم.

۱- مقدمه

سرطان پروستات به‌عنوان رایج‌ترین سرطان غیرپوستی شناخته می‌شود و دومین سرطان ایجاد‌کننده‌ی مرگ در مردان می‌باشد ]۹[. فراوادرمانی ترانس‌رکتال (TRUS) یک حالت تصویر‌برداری معمول برای بافت‌برداری تصاویر هدایت‌شده‌ و درمان سرطان پروستات می‌باشد. جداسازی پروستات از طریق TRUS برای برنامه‌ریزی درمان بسیار حائز اهمیت می‌باشد ]۱۰[ و می‌تواند به تثبیت مبتنی بر سطح بین TRUS و MRI قبل از عمل در هنگام مداخلات تصاویر هدایت‌شده کمک نماید ]۱۱[. همچنین به‌دلیل از بین رفتن یا مبهم بودن مرز و توزیع شدت غیرهمگن پروستات در TRUS و همچنین تغییرات شکلی بزرگ پروستات‌های مختلف، جداسازی دقیق پروستات در TRUS هنوز چالش‌بر‌انگیز باقی‌مانده است (شکل ۱ مشاهده شود).

Abstract

Automatic prostate segmentation in transrectal ultrasound (TRUS) is of essential importance for image-guided prostate biopsy and treatment planning. However, developing such automatic solutions remains very challenging due to the ambiguous boundary and inhomogeneous intensity distribution of the prostate in TRUS. This paper develops a novel deep neural network equipped with deep attentional feature (DAF) modules for better prostate segmentation in TRUS by fully exploiting the complementary information encoded in different layers of the convolutional neural network (CNN). Our DAF utilizes the attention mechanism to selectively leverage the multi-level features integrated from different layers to refine the features at each individual layer, suppressing the non-prostate noise at shallow layers of the CNN and increasing more prostate details into features at deep layers. We evaluate the efficacy of the proposed network on challenging prostate TRUS images, and the experimental results demonstrate that our network outperforms state-of-the-art methods by a large margin.

۱ Introduction

Prostate cancer is the most common noncutaneous cancer and the second leading cause of cancer-related deaths in men [9]. Transrectal ultrasound (TRUS) is the routine imaging modality for image-guided biopsy and therapy of prostate cancer. Segmenting prostate from TRUS is of essential importance for the treatment planning [10], and can help surface-based registration between TRUS and preoperative MRI during image-guided interventions [11]. However, accurate prostate segmentation in TRUS remains very challenging due to the missing/ambiguous boundary and inhomogeneous intensity distribution of the prostate in TRUS, as well as the large shape variations of different prostates (see Fig. 1).

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

ویژگی های توجه عمیق برای جداسازی پروستات در سونوگرافی

Deep Attentional Features for Prostate Segmentation in Ultrasound