ارزیابی کمی محافظ انتخابی درون صفحه ای بافت ها در توموگرافی کامپیوتری از طریق ارزیابی دوز جذبی و کیفیت تصویر

Quantitative assessment of selective in-plane shielding of tissues in computed tomography through evaluation of absorbed dose and image quality

چکیده
مقدمه
مواد و روش
حفاظ ها و مدل انسانی
سی تی اسکن چندگانه، دستیابی و بازسازی
دوزسنجی
کیفیت تصویر
نتایج
دوزسنجی
کیفیت تصویر
بحث
منابع

چکیده
هدف این مطالعه بررسی کارایی محافظت انتخابی درون دستگاه در افراد بالغ با ارزیابی کمی کاهش دوز و کیفیت تصویر به دست آمده است. برای ارزیابی دوز جذب شده و کیفیت تصویر از لوازم جانبی موجود در بازار برای محافظت از لنز چشم، تیروئید و پستان و یک نماد انسانی در درون دستگاه استفاده می شود. دوز اندام و انرژی کل با استفاده از روش مونت کارلو با در نظر گرفتن ولتاژ لوله، جریان لوله و نوع اسکنر ارزیابی شد. کیفیت تصویر به عنوان نویز در بافت نرم کمی شد. استفاده از محافظ عدسی، دوز مورد نظر را در لنز 27٪ و در مغز 1٪ کاهش می دهد. محافظ تیروئید دوز تیروئید را 26٪ کاهش می دهد. محافظ پستان دوز پستان ها را تا 30٪ و ریه ها را 15 % کاهش می دهد. انرژي كل (بدون محافظ/محافظت نشده) 88/86 mJ براي توموگرافي کامپیوتری (CT) مغز، 64/60 mJ براي CT ستون فقرات گردني و 289/260 mJ براي CT اسكن قفسه سينه بود. در صورت استفاده از محافظ بیسموت، می توان افزایش نویز تصویر را در محدوده هایی مشاهده کرد. کاهش دوز مشاهده شده در اندام و انرژی کل را می توان با کاهش جریان لوله به طور موثرتری به دست آورد. بنابراین استفاده از محافظ انتخابی درون دستگاه ناامیدکننده است.

مواد و روش
حفاظ ها و مدل انسانی
سپرهای محافظ درون دستگاه با نام لباس محافظ رادیویی (شرکت F&L Medical Products Co.، Vandergrift، PA، USA) موجود هستند. آن ها از ورق های نازک و انعطاف پذیر لاتکس حاوی 3.4 گرم بر سانتی متر مربع بیسموت تشکیل شده اند. ابعاد محافظ لنز چشم 14 × 3.5 سانتی متر مربع، سپر تیروئید 15 × 8.5 سانتی متر مربع است و ابعاد هر یک از ورق های تشکیل دهنده این جفت محافظ پستان 20 × 25 سانتی متر مربع بود. لبه های سپرها گرد و متناسب با فرم بدن طراحی شده است. یک مدل Rando انسانی (آزمایشگاه فانتوم، سالم، نیویورک، ایالات متحده آمریکا) نشاندهنده جمجمه و تنه یک مرد 175 سانتی متری با وزن 73.5 کیلوگرم بر اساس تقاضا در یک قطعه ساخته شد تا اثر محافظ انتخابی بر کیفیت تصویر و دوز جذب شده را بررسی کند. این فانتوم از مواد مصنوعی تشکیل شده و تراکم و ضعف اشعه ایکس بافت ریه و بافت نرم در اسکلت انسانی را نشان می دهد [11]. دو ماژول پستان متشکل از مواد بافت (موم زنبورهای عسل) از هر کدام 260 سانتی متر مکعب می توانند به فانتوم اضافه شوند.

سی تی اسکن چندگانه، دستیابی و بازسازی
به منظور محاسبه دوز و ارزیابی کیفیت تصویر، اسکن CT چندگانه(MSCT) فانتوم از یک اسکنر Aquilion16CFX (توشیبا، ژاپن) (120 کیلوولت، 16 × 1 میلی متر، 100 میلی آمپر) به دست آمد. میدان دید اسکن (SFOV) 400 میلی متر بود. در مجموع 259 تصویر به صورت برش های نزدیک هم با ضخامت 4 میلی متر که کل فانتوم را پوشش می دهد، بازسازی شد. میدان دید بازسازی شده 400 میلی متر بود و از ماتریس تصویر 5122 استفاده شد. اسکن ها از پنج ساختار مختلف ساخته شده اند. هر اسکن به منظور افزایش دقت در ارزیابی نویز، دو بار تکرار شد. ساختارهای انتخاب شده اسکن شامل دو مورد بدون محافظ، به ترتیب با و بدون ماژول های پستان و سه شکل با محافظ به ترتیب با محافظ لنز چشم، سپر تیروئید و سپر پستان بود.

دوزسنجی
برای اهداف دوزسنجی، مدل وکسل از سی تی اسکن فانتوم انسانی به دست آمد. تصاویر اصلی به 256 × 256 پیکسل کاهش یافت. وکسل های مربوطه به صورت 1.6 × 1.6 × 4 میلی مترمکعب کاهش یافت. محل قرارگیری لنز چشم و تیروئید در داخل فانتوم وکسل توسط رادیولوژیست (AS) مشخص شد. بافت پستان و ریه را می توان به راحتی تشخیص داد.

تصویربرداری In Vivo CEST MR از رگزایی تومور مغزی موش U87 با استفاده از ماده کنتراست هدفمند LipoCEST در 7 T

In Vivo CEST MR Imaging of U87 Mice Brain Tumor Angiogenesis Using Targeted LipoCEST Contrast Agent at 7 T

روش ها
کشت های سلولی و مدل حیوانی
معرف های همسنجی LipoCEST
دریافت MRI
پردازش داده
بافت شناسی و میکروسکوپ فلورسنس
نتایج
تعیین خصوصیات LipoCEST و همسنجی MT
تشخیص in vivo در LipoCEST
حساسیت سیگنال LipoCEST در محیط In vivo
دوام و اختصاصیت سیگنال lipoCEST در محیط in vivo
جمع شدن RGD-LipoCEST و αvβ3 در تومورهای مغزی
بحث
نتیجه گیری
منابع

LipoCEST معرف های همسنجی پارامغناطیس پوشیده شده-لیپوزوم (CA) بر پایه انتقال اشباع تبادل شیمیایی هستند که در MRI مولکول های زیستی کاربرد دارد. ویژگی های جذاب آن ها شامل قابلیت سازگاری زیستی، حساسیت زیرنانومولار و امکان عمل روی بیومارکرهای هدف است. ما تصویربرداری MR را با استفاده از lipoCEST هدف که به صورت داخل وریدی تزریق می شد، نشان دادیم. یک lipoCEST کمپلکس های Tm(III را حمل می-کند که با تری پپتید RGD (RGD-lipoCEST) کونژوکه می شود تا پذیرنده های αvβ3 را که در رگزایی تومور دخالت دارند را هدف قرار دهد و با یک lipoCEST غیرکونژوکه مقایسه شود. تومورهای مغزی موش های آزمایشگاهی فاقد غده تیموس بودند و از طریق تزریق داخل مغزی سلول های U87MG انجام شد و در 7 T بعد از تزریق داخل وریدی دو عامل متقابل تصویربرداری صورت گرفت (n=12 برای هر گروه). تبادل اشباع شیمیایی توالی انتقال MSME طی دو ساعت با میانگین فواصل زمانی دریافت 13.5 دقیقه انجام شد. سیگنال انتقال اشباع تبادل شیمیایی در تومور و نواحی جانبی حدود 1% بود، و پس از 2 ساعت به حدود 0.3% کاهش یافت. در حالی که سیگنال RGD-lipoCEST در ناحیه تومور حدود 1.4 % بود و حدود 2 ساعت دوام داشت. رنگ آمیزی  هیستوشیمیایی نشاندهنده یک تجمع RGD-lipoCEST با پذیرنده های αvβ3 در ناحیه تومور است. این نتایج اساس گامی دلگرم کننده به سمت تصویربرداری MRI درون سلولی از رگزایی تومور با استفاده از تزریق داخل وریدی lipoCEST است.

روش ها
کشت های سلولی و مدل حیوانی
همه آزمایش ها بر اساس قواعد سختگیرانه توصیه شده در انجمن اروپایی (609/86) و انجمن ملی فرانسه (848/87) برای مراقبت و استفاده از حیوانات آزمایشگاهی انجام شدند. رده سلولی گلیوما بدخیم در انسان، U87MG از ATCC خریداری شد (Rockville, MD) و در مکمل تعدیل شده Dulbecco در Eagle حاوی سرم جنین گاوی 10% ، گلوتامین 1% و گلوتامیسین 1% کشت شد. کشت ها در محیط کنترل شده با دمای 37 درجه سانتی گراد یا 5% CO2 انکوبه شدند و دو یا سه باردر هفته از آن عبور کردند. تومورهای مغزی با تزریق داخل مغزی سلول های U87MG، 1.2×105 سلول در 2 میکرولیتر به موش های بدون تیموس و دارای نقص ایمنی NU/NU تحریک شدند (Janvier, France). موش ها در ابتدا با مخلوطی از کتامین/زایلازین بیهوش شدند (50/7.5 mg/kg, i.p.) و در داخل یک محفظه قرار گرفتند. یک سوراخ 1 میلی متری در جداره چپ جمجمه ایجاد شد تا اجازه عبور سرنگ همیلتون جهت تزریق سلول های U87MG داده شود. حدود 2-3 هفته بعد، وقتی قطر تومور بین 2 و 5 mm بود، موش ها برای تصویربرداری MR برده شدند.

معرف های همسنجی LipoCEST
LipoCEST با میانگین قطر هیدرودینامیک، dH حدود 170 نانومتر توسط موسسه تحقیقاتی گوربت (آلبانی-سوس بویس، فرانسه) تولید شد (3). هر نانوذره lipoCEST حاوی یک لیپوزوم است که در آن کمپلکسی از تولیوم (4، 7-بیس کربوکسی متیل-1، 4، 7، 10 تترا-آزا سیکلودودکا-1- y1)-استیک اسید، با دو مولکول آب پیوند برقرار کرده است. غلظت لیپید کل حدود 23 mM بود و با کالیبره کردن با عنصر فسفر تایید شد که از طریق اندازه گیری اسپکتروسکوپی گسیل اتمی پلاسمای جفت شده القا شده (ICP-AES) پس از معدنی سازی و از طریق کروماتوگرافی مایع با عملکرد بالا (HPLC) بعد از رسوب لیپوزوم ها در متانول بود. غلظت نهایی اتم های تولیوم TM (III) نیز توسط ICP-AES پس از معدنی سازی تعیین شدند و حدود 13 mM بود. بر اساس این اندازه گیری ها، غلظت کمپلکس های TM (III) به دام افتاده حدود 250 mM محاسبه شد و غلظت نانوذرات موجود در محلول Cn حدود 48 nM بود. غشای لیپوزومی حاوی مخلوطی از لیپیدها بود

آنالیز مبتنی بر داده از روند تحقیقات جهانی در تصویر پزشکی: یک نظرسنجی

A data-driven analysis of global research trends in medical image: A survey

چکیده

1 مقدمه

2 جمع آوری داده ها

3 روش شناسی (متودولوژی)

4 تجزیه و تحلیل پایه علم سنجی

5 تجزیه و تحلیل شبکه

6 بحث

7 نتیجه گیری

منابع

چکیده

با گسترش هوش مصنوعی و تجهیزات محاسباتی با کارایی بالا، فناوری های جدید تأثیرات بسزایی بر پژوهش های تصویربرداری پزشکی دارند. با این وجود تشخیص مواردی نظیر اینکه چه زمانی موضوعات پژوهشی نوین تظاهر می‌یابند، نویسندگان تأثیرگذار چه کسانی هستند و انتشارات مرتبط چگونه بر جامعه دانشگاهی تأثیر می‌گذارد دشوار است. برای رسیدن به روندهای پژوهشی سراسری، روش‌ های مرسوم بررسی متون برای کسب اطلاعات کافی نیستند. در این مورد تحلیل مبتنی بر داده، رویکرد کمی نوینی برای مطالعه روند پژوهشی ارائه می دهد. در این بررسی از چندین نمایه متن‌ سنجی بنیادی برای توصیف روندهای کلی پژوهشی تصاویر پزشکی از سال 1993 تا 2022 از جمله خروجی سالانه، مجلات فعال، نویسندگان تاثیرگذار، مؤسسات فعال و کشورهای عمده استفاده شده است. همچنین از شیوه های مبتنی بر شبکه برای تجزیه و تحلیل ارتباط درونی هم‌واژه ها، هم‌نویسندگی، و هم‌استنادی استفاده شد تا نقاط مهم جامعه دانشگاهی را پیدا کرده و روندهای کلی پژوهشی توضیح داده شوند. برخی از نتایج نهایی به شرح زیر است: (1) پژوهش تصویربرداری پزشکی حال حاضر روندی صعودی را طی می کند. تعداد انتشارات در حیطه تصویربرداری پزشکی از سال 2015 با پیشرفت های فراوان در یادگیری عمیق افزایش یافته است. یادگیری عمیق و شبکه های عصبی پیچیده (CNN) هر دو کلیدواژه پژوهشی متداولی در سال های اخیر هستند. (2) تراکنش های IEEE در تصویربرداری پزشکی (IEEE Transactions on Medical Imaging) تأثیرگذارترین مجله از نظر امتیاز استناد منطقه ای (TLCS)، مجموع امتیازات استناد جهانی (TGCS) و تحلیل تصاویر پزشکی است. همچنین مجلات Neurocomputing و Information Fusion در جامعه پژوهشی منطقه ای به خوبی شناخته شده اند. (3) Van Ginneken B و Aerts HJWL در بررسی TLCS و TGCS پژوهشگران کاندید هستند. (4) ایالات متحده آمریکا کشوری پیشرو در پژوهش های تصویربرداری پزشکی است. از دیگر کشورهای تاثیرگذار می توان چین، هند، بریتانیا، آلمان، فرانسه، کانادا، هلند، استرالیا، ایتالیا، کره جنوبی و سوئیس را نام برد. موثرترین موسسات نظیر هاروارد، یومیچ، استنفورد، UPenn، UNC، CAS، SJTU، UCL، UofT، RU، (3) Van از این کشورها هستند. (5) استفاده از فناوری‌ های هوش مصنوعی به خصوص CNN، مطالعات کلی تصویربرداری پزشکی را از سال 2015 به بعد به‌ طور چشمگیری ترقی داده است. همکاری های بین رشته ای در میان متخصصان رشته های مختلف متداول تر خواهد شد. می‌توان استنباط کرد که تجزیه و تحلیل تصاویر پزشکی و کاربرد مبتنی بر یادگیری عمیق در آینده نه چندان دور با بهبود الگوریتم‌ ها و استفاده از تجهیزات محاسباتی با کارایی بالا همچنان زمینه‌ پژوهشی پر از پیشرفت خواهد بود.

2 جمع آوری داده ها
پایگاه های داده متعددی نظیر Web of Science (WOS)، Scopus، Embase و غیره را می توان به عنوان منابع داده های کتاب سنجی انتخاب کرد. در این مقاله، داده ها از مجموعه اصلی WOS (پایگاه داده جامع و شناخته شده ای که انتشارات آکادمیک استاندارد ارائه می دهد) به دست آمدند [21]. همچنین داده‌ها را از پایگاه داده گسترش یافته فهرست استنادی علوم WOS اصلاح شدند. شاخص استنادی علوم (SCI) به دلیل فرآیند انتخاب دقیق آن به عنوان یک ابزار نمایه سازی استنادی متون علمی معتبر و با کیفیت شناخته می شود [22]. شاخص استنادی توسعه یافته علوم (SCI-E)، نسخه توسعه یافته ای از SCI است که تعداد بیشتری از مقالات مهم را پوشش می دهد که به وسیله SCI نمایه نشده اند. این پایگاه داده همچنین برای تجزیه و تحلیل کتاب سنجی در مقالات مروری گذشته استفاده می شده است [17,21,22]. معیارهای جستجوی (سرچ) مورد استفاده در این مقاله در جدول 1 نشان داده شده اند. چندین عبارت مرتبط با تصویربرداری پزشکی به عنوان سوال سرچ تعیین شد. بازه زمانی سرچ از سال 1993 تا 2022 (30 سال) بود. همچنین تا حدامکان سعی کردیم نوع “مقاله” را در پایگاه داده SCIE در همه زبان های موجود به دست آوریم چرا که اکثر مقالات آکادمیک شناخته شده در قالب مقاله منتشر می شوند [19]. دسترسی به پایگاه داده ذکر شده در تاریخ 7 سپتامبر 2022 بود. در مجموع 19762 مورد مربوط به تصویربرداری پزشکی طی 30 سال گذشته از WOS به دست آمد. از بین این مطالب، 98.02 درصد مقالات (19371) به زبان انگلیسی نوشته شده بودند. مقالات دیگر زبان ها بر اساس تعداد عبارتند از: فرانسوی (218)، آلمانی (68)، چینی (50)، اسپانیایی (22)، هلندی (9)، ترکی (5)، کره ای (4)، پرتغالی (4)، ژاپنی (3)، لهستانی ( 3) و چند زبان دیگر.

تجزیه و تحلیل و مصور سازی داده های استخراج شده توسط تعداد زیادی از ابزارهای کتاب سنجی و شبکه نظیر HistCite، Pajek، VOSviewer، Gephi و CiteSpace قابل انجام است. این مطالعه با برنامه نویسی و استفاده از HistCite [23]، VOSviewer [24]، و CiteSpace [25]، سعی در درک روندهای کلی در پژوهش های تصویربرداری پزشکی دارد.

روش شناسی (متودولوژی)
هم تجزیه و تحلیل پایه کتاب سنجی و هم تجزیه و تحلیل شبکه برای درک روندهای کلی پژوهش های آکادمیک و فهم مباحث روز در زمینه تصویربرداری پزشکی مورد استفاده قرار گرفتند. در این بخش، ابتدا شاخص های عددی معرفی می شوند تا به مخاطب کمک کنند برخی از مفاهیم مهم در تجزیه و تحلیل قسمت بعدی را درک کنند. سپس روش‌ های مبتنی بر شبکه با تحلیل کلمات مشترک، نویسندگی مشترک و هم استنادی بیان شده اند.

اجرای پردازش سیگنال دیجیتال بلادرنگ برای PET درون پرتو تصویربرداری رادیوتراپی در HIMM

Real-time digital signal processing implementation for in-beam PET of radiotherapy imaging in HIMM

چکیده

1 مقدمه

2 سیستم PET In-beam

3 طراحی منطق پردازشی رویداد DAQU

4 نتایج آزمایشی و مقایسه

5 نتیجه گیری

منابع

چکیده

     برش نگاری با گسیل پوزیترون in-beam (ibPET) به تصویربرداری پرتودرمانی دستگاه پزشکی یون-سنگین (HIMM) اختصاص داده می شود، که به اندازه گیری آنلاین دقیق و همچنین توانایی پردازش سیگنال زمان واقعی الکترونیک ها نیاز دارد. ما در این مقاله اجرای پردازش سیگنال دیجیتالی زمان واقعی را در واحد اکتساب داده (DAQU) برای یک سیستم ibPET براساس بازخوانی لامپ تکثیر فوتونی (PMT) کریستال های سوسوزن اکسی اورتوسیلیکات لوتتیوم-ایتریوم (LYSO) ارائه می دهیم. ما مدار پردازش سیگنال سفارشی 10 کانالی را بر روی یک FPGA با عملکرد بالا طراحی کرده ایم، که از 3 حالت کاری (حالت پردازش سیگنال تک رویدادی، حالت خود کالیبراسیون و حالت داده خام (ADC))، محاسبه موقعیت، مکان یابی کریستالی، ذخیره سازی رویداد و غیره پشتیبانی می کند.

2 سیستم PET In-beam
     نمونه اولیه سیستم PET In-beam شامل دو بخش است. واحد آشکارساز، با نام آرایه آشکارساز نوع-مسطح با دو سر و یک سیستم الکترونیکی بازخوانی. شکل.1 آرایه آشکارساز نوع مسطح با دوسر از هشت بلوک آشکارساز را در سیستم نمونه اولیه نشان می دهد. این بلوک های اشکارساز به دو گروه تقسیم می شوند. هر گروه در یک آرایه آشکارساز با 2 × 2 بلوک به صورت یک سر آشکارسازی از واحد آشکارساز مرتب می شود. این دو سر آشکارسازی برعکس در دو طرف خط باریکه در امتداد آشکارسازی پرتو قرار می گیرند. هر بلوک آشکارساز شامل مولفه های 22 × 22 LYSO پیکسل (2mm ×2mm×15 mm) [19، 18] است و توسط یک PMT H8500C [20] و یک مدار پل شده با نام مدار موقعیت یابی گسسته (DPC) بازخوانی می شود [21]. DPC تعداد سیگنال های PMT را برای هر بلوک از 64 به 4 کاهش می دهد تا انرژی را اندازه گیری کند. آخرین داینود PMT برای زمان بندی استفاده می شود.

     سیستم الکترونیکی شامل واحد اکتساب داده (DAQU)، ماژول پردازش مرکزی (CPM)، و واحد ساعت و همزمان¬سازی (CSU) است. ابتدا سیگنال ها از آشکارسازها به DAQUها فید می شوند. هر DAQU با یک جفت بلوک آشکارساز همانند شکل 2 ارتباط دارد. توصیف دقیق تر از مدار سخت افزاری طراحی شده برای DAQU را می توان در [22] پیدا کرد. علاوه بر این، ویژگی های پردازش یک سیگنال دیجیتالی زمان واقعی را بهینه سازی می کنیم و توسعه می دهیم. حالت پردازش تک رویدادی و حالت خود کالیبراسیون فراتر از حالت داده های خام ADC افزوده می شوند. اطلاعات معتبر (بعنوان مثال، موقعیت، زمان، انرژی ذره، و غیره) برای هر رویداد در فریم های داده در DAQU خلاصه شده و مرتب می شوند، و سپس از طریق یک لینک فیبر نوری با سرعت بالا منتقل می شوند. CPM برای شروع فریم های داده به ترتیب زمانی با توجه به مهر زمانی هر رویداد استفاده می شود، به طوری که رویدادهای اتفاقی را به صورت کارآمدی شناسایی می کند [23]. سپس، داده های رویداد از طریق رابط PCI برای بازسازی تصویر 3D مرتبط می شوند. در عین حال، یک GSU سیگنال های ساعت و همزمانی را به تمام DAQUها ارائه می دهد تا یک سیستم بازخوانی همزمان را شکل دهد.

3  طراحی منطق پردازشی رویداد DAQU
     سه حالت پردازشی اجرا شده بر روی یک FPGA با عملکرد بالا وجود دارد. حالت پردازش تک رویدادی برای محاسبه اطلاعات موقعیت، زمان و انرژی استفاده می شود. این حالت برای پردازش تصویربرداری مشترک در سیستم ibPET استفاده می شود. حالت خود کالیبراسیون، جدول جستجوی کریستالی (CLUT) و نرمال سازی LUT (NLUT) را برای کالیبرسیون سیستم نتیجه می دهد. حالت داده های خام ADC برای تشخیص سیستم ذخیره می شوند (شکل 3 را مشاهده کنید).

تقسیم 4 بعدی آئورت قفسه سینه از MRI جریان 4 بعدی با استفاده از یادگیری عمیق

4D segmentation of the thoracic aorta from 4D flow MRI using deep learning

چکیده
1 مقدمه
2 داده ها
3 به ترتیب 42 و 34 میلی ثانیه
4 روش
5 نتایج
6 بحث
7 نتیجه گیری
منابع

چکیده
پیش زمینه: MRI جریان چهاربعدی امکان تحلیل تغییرات همودینامیک را در آئورت به دلیل آسیب شناسی هایی مانند آئوریسم آئورت قفسه سینه (TAA) فراهم می کند. شاخص های زیستی جدید برای مدیریت شخصی TAA نیاز به تحلیل اثر تکرار ساختار سیال دارند که می توان آن را از MRI جریان چهار بعدی بدست آورد. با این حال، تولید این شاخص های زیستی نیاز به قطعه بندی چهار بعدی قبلی قفسه سینه دارد.
هدف: توسعه مدل یادگیری عمیق خودکار برای قطعه بندی آئورت به صورت چهار بعدی از MRI جریان چهار بعدی.
روش ها: قطعه بندی با مدل قطعه بندی مبتنی بر U-Net بررسی می شود که هر فریم MRI جریان چهار بعدی را بعنوان یک نمونه مستقل در نظر می گیرد. عملکرد با توجه به امتیاز تشابه (DC) و فاصله هاوسدورف (HD) اندازه گیری می شود. علاوه بر این، حداکثر و حداقل مساحت سطح در سطح آئورت صعودی اندازه گیری می شوند و با نواحی سطح بدست آمده از تصویربرداری مغناطیسی قلب مقایسه می شوند.
نتایج: عملکرد قطعه بندی برای DS، 0.90 ± 0.02 بود و میانگین HD، 9.58 ± 4.36 mm بود. ضریب همبستگی r=0.85 برای حداکثر سطح و r=0.86 برای حداقل سطح بین MRI جریان چهاربعدی و MRI قلبی بود.
نتیجه گیری: به نظر می رسد که رویکرد خودکار پیشنهادی قطعه بندی آئورت چهاربعدی از MRI جریان چهاربعدی برای کمک به استفاده گسترده تر این روش تصویربرداری در تحلیل آسیب شناسی هایی مانند TAA به اندازه کافی دقیق باشد.

2- داده ها
2-1 جمعیت مطالعه
در این تحقیق 36 بیمار برای مشارکت در پروژه 2018-A02010–55 که توسط کمیته اخلاق ملی تایید شده، رضایت داشتند. این تحقیق با شماره NCT03817008 بر روی ClinicalTrials.gov ثبت شده است. تمام 36 بیمار در سطح آئورت صعودی مبتلا به TAA بودند. ده بیمار در این گروه زن و 26 بیمار مرد بودند. نیمی از مردان و نیمی از زنان دریچه آئورت سه لتی داشتند، دیگران دریچه آئورت دو لتی داشتند. دریچه آئورت دو لتی یک ناهنجاری است که بر 2% جمعیت تاثیر می گذارد و می تواند ناشی از شکل گیری آئوریسم آئورت باشد. میانگین سن بیماران 60 سال بود.

2-2 معاینات MRI
تمام بیماران پس از تزریق ماده حاجب با گادولینیوم تحت MRI جریان چهار بعدی بر روی آهنربای 3T زیمنس (اسکیرا، هلثتینرز زیمنس، ارلانگن، آلمان) قرار گرفتند. MRI جریان چهاربعدی، الکتروکاردیوگرام پسرو (ECG) بود که در طول تنفس آزاد بسته شد. حرکت دیافرگام با استفاده از یک ناوبر اکومدیریت شد. 25 مرحله زمانی از سیکل قلبی در پروتکل MRI جریان چهاربعدی ما با وضوح زمانی 24 تا 52 میلی ثانیه با توجه به ضربان قلب بیمار بدست آمد. وضوح فضایی بر روی 2×2×2 〖mm〗^3 و رمزگذاری سرعت (Venc) در محدود 200 تا 800 cm/s تعیین شد. زمان های اکو و تکرار به ترتیب بین 2.1 و 2.3 و 38.5-40 میلی ثانیه بودند. این اکتساب با توجه به بیمار 10 تا 15 دقیقه در نظر گرفته شد. تصحیح شدت غیریکنواخت و تصحیح اعوجاج دو بعدی در طول بازسازی تصویر انجام شدند.

توالی FLASH (نمای کم زاویه سریع) برای کسب MRI قلب استفاده می شود. این اکتساب در طول حبس نفس در صفحه ای عمود بر آئورت در سطح تنه شریان ریوی انجام می شود. 35 مرحله سیکل قلبی از این توالی با وضوح زمانی بین 20 و 34 میلی ثانیه بدست می آید. وضوح فضایی بین 1.25 × 1.25 و 1.9 × 1.9 mm^2 تعیین می شود. زمان اکو و تکرار به ترتیب 42 و 34 میلی ثانیه بود.

مثبت فکر کنید: یک شبکه عصبی قابل تفسیر برای تشخیص تصویر

Think positive: An interpretable neural network for image recognition

چکیده

1-مقدمه

2-روش

3- نتایج

4-نقاط ضعف مطالعه ما

6-نتیجه گیری

منابع

چکیده

پاندمی COVID-19 همچنان در حال پیشرفت است و هزینه اضافه ای بر سیستمهای بهداشت و درمان در سراسر دنیا تحمیل کرده است. تشخیص به موقع و موثر این ویروس میتواند به کاهش انتشار بیماری کمک کند. گرچه RT-PCR همچنان استانداردی طلایی برای تست COVID-19 بشمار میرود، اما مدلهای یادگیری عمیق برای شناسایی ویروس از روی تصاویر پزشکی نیز در شرایط خاص مفید هستند؛ بویژه در موقعیتهایی که بیماران متحمل آزمایشات پرتو-X و یا CT-اسکنهای روتین میشوند ولی در مدت چند روز پس از این آزمایشات عوارض تنفسی را تجربه میکنند. همچنین مدلهای یادگیری عمیق جهت پیش-غربالگری قبل از آزمایش RT-PCR استفاده میشوند. ولی با اینحال، شفافیت/ قابلیت تفسیر فرایند استدلال پیش بینی های صورت گرفته بوسیله چنین مدلهای یادگیری ضرورت دارد. ما در این مقاله، یک الگوی یادگیری عمیق قابل تفسیر پیشنهاد میکنیم که از فرایند استدلال مثبت جهت پیش بینی استفاده میکند. ما مدل خودمان را آموزش داده و آن را بر روی یک مجموعه از داده های تصویری CT-اسکن قفسه سینه بیماران COVID-19، افراد سالم، و بیماران پنومونی، آزمایش کردیم. صحت، دقت، یادآوری و امتیازF- مدل ما به ترتیب 48/99 %، 99/0، 99/، و 99/0 بودند.

روش
در این بخش ما ساختار و فرایند آموزش مدل Quasi-ProtoPNet خود را در بافت تصاویر CT–اسکن معرفی کرده و شرح میدهیم.

2.1-ساختار مدل Quasi-ProtoPNet
مدل Quasi-ProtoPNet بر حسب لایه های کانولوشنی یک مدل پایۀ پیشرفته (مدل خط مبنا)، مثل مدلهای پایهVGG-19 (Simonyan & Zisserman, 2015)، ResNet-34، ResNet-152 (He, Zhang, Ren & Sun, 2016)، DenseNet-121 یا DenseNet-161 (Huang, Liu, Van der Maaten & Weinberger, 2017) ساخته میشود. همانطور که در شکل 2 دیده میشود، مدل Quasi-ProtoPNet شامل لایه های کانولوشنی برگرفته از یک مدل پایه است که دو لایه کانولوشنی دیگر در ابعاد 1×2 و 1×1 پشت آن قرار گرفته اند. این لایه های کانولوشنی مجموعاً لایه L خوانده میشوند و یک لایه کانولوشنی تعمیم یافته (Ghiasi-Shirazi, 2019; Nalaie, Ghiasi-Shirazi & Akbarzadeh-T 2017) p_t از بخشهایی از الگو در پشت لایه کانولوشنی، و پس از لایه p_t، نیز یک لایه چگال و متراکم ω بدون هیچ انحرافی جای میگیرد. پارامترهای لایه L و ماتریس وزنی لایه چگال به ترتیب با L_conv و ω_m نشان داده میشوند. توابع فعالسازی ReLU و Sigmoid به ترتیب برای لایه کانولوشنی اضافۀ یکی مانده به آخر و آخرین لایه کانولوشنی، استفاده میشوند. دقت داشته باشید که لایه های کانولوشنی L، بخش تفسیرناپذیر (جعبه سیاه)، و لایه کانولوشنی تعمیم یافته p_t بخش تفسیرپذیر (شفاف) مدل ما را تشکیل میدهند.

گرچه ما میتوانیم از لایه های کانولوشنی هر یک از مدلهای پایه برای ساخت مدلمان استفاده کنیم، اما ما مدل Quasi-ProtoPNet را زمانی شرح میدهیم که بر اساس لایه های کانولوشنی مدل پایه VGG-16 ساخته شود. فرض کنید x یک تصویر ورودی باشد. از آنجا که خروجی لایه های کانولوشنی VGG-16 دارای عمق 512 و ابعاد فضایی 7×7 هستند، L(x) دارای عمق 512 و ابعاد فضایی 6×6 خواهد بود. دقت کنید که لایه p_t بُرداری از واحدهای الگو بوده و هر واحد الگو یک تانسور به شکل 512×h×w است که داریم: 1×1 < h×w < 6×6 ؛ یعنی h و w رویهمرفته نه معادل 1 و نه معادل با 6 هستند. فرض کنید m و n به ترتیب به مجموع تعداد کلاسها و الگوهای اولیه برای هر کلاس اشاره میکنند. فرض کنید P^c={p_i^c }_(i=1)^m مجموعه ای از الگوهای یک کلاس C و P={P^C }_(c=1)^n مجموع تمام الگوها باشد. در کار ما، n=3 است ولی ما بطور تصادفی اَبَرپارامتر را در m=10 تنظیم میکنیم.

بازرسی الیاف نساجی پزشکی قانونی به وسیله تصویربرداری رامان و آنالیز چند متغیره

Forensic examination of textile fibres using Raman imaging and multivariate analysis

نکات مهم
چکیده گرافیکی
چکیده
1. مقدمه
2. آزمایشی
3. نتایج و بحث
4. نتیجه گیری و روندهای آینده
منابع

چکیده

     نشان داده شده است که تکنیک های طیف سنجی ارتعاشی برای شناسایی و مقایسه الیاف نساجی و پارچه های لباس بسیار مناسب هستند. از سوی دیگر، حالت های جدید تصویربرداری شیمیایی بر اساس این تکنیک های طیف سنجی، در زمینه های متعددی موثر واقع شده اند. این امر به ویژه برای تجسم شیمیایی و غربالگری نمونه‌های مختلف از جمله مدارک قضایی (بررسی صحنه جرم)، محصولات شیمیایی و غذایی (کنترل کیفیت)، بافت‌های بیولوژیکی و موجودات زنده (تصویربرداری پزشکی) و همچنین موارد دیگر مهم است. این مطالعه، بررسی پزشکی قانونی و تجسم شیمیایی انتخابی الیاف نساجی و پارچه‌های لباس را با استفاده از تصویربرداری رامان بررسی می‌کند. چهار آزمایش انجام شد که بر غربالگری مواد مختلف متمرکز بود که عبارتند از: (i) مواد مختلف سفید تهیه شده از 100٪ پنبه (گازپانسمان، پنبه هیدروفیل، تی شرت، و گوش پاک کن)، (ii) پارچه های پلی استر و پنبه ای با رنگ یکسان، (iii) پنج پارچه پنبه ای در رنگهای مختلف، و (iv) الیاف نساجی با جنسهای متفاوت (اکریلیک، پنبه، نایلون، پلی استر، و ابریشم). از چد روش تجزیه و تحلیل کمومتری چند متغیره از جمله تجزیه و تحلیل المان اصلی (PCA)، تحلیل واریانس چند متغیره (MANOVA)، و تفکیک منحنی چند متغیره (MCR) برای بهبود مقایسه بصری محدود طیف ها که با چشم غیر مسلح انجام شد، استفاده شد. نتایج، شایستگی تصویربرداری رامان را برای تمایز الیاف و پارچه‌های نساجی از لحاظ آماری با توجه به ترکیب شیمیایی جنس لباس و ماده رنگرزی، نشان داد.

آزمایشی
نمونه ها
     انواع نمونه های نساجی تهیه شده از 100٪ پنبه: گازپانسمان، پنبه هیدروفیل، گوش پاک کن ، و تی شرت سفید به عنوان چهار ماده مختلف سفید مورد مطالعه قرار گرفتند. برش هایی از شش تی شرت در رنگ های مختلف (یکی تهیه شده از 100% پلی استر و 5 مورد تهیه شده از 100% پنبه) برای مطالعه تمایز پنبه-پلی استر و همچنین تمایز بین پنج پارچه پنبه ای با رنگ های مختلف انتخاب شدند. این مواد (پنبه و پلی استر) دو ماده نساجی مرتبط و غالب در پوشاک در سراسر جهان محسوب می شوند (3،5). در نهایت، پنج الیاف نساجی مختلف که بر روی نوار چسب پلیس بازیابی شده بود نیز مورد مطالعه قرار گرفتند. این الیاف بین دو لایه نوار چسب محکم چسبانده شدند و مستقیما مورد تجزیه و تحلیل قرار گرفتند. نوار چسب و همچنین الیاف نساجی (اکریلیک، پنبه، نایلون، پلی استر و ابریشم) توسط Guardia Civil (نیروی پلیس اسپانیا) فراهم شدند. این الیاف نساجی، بخشی از مجموعه الیافی بودند که طی سال‌ها توسط نیروهای پلیس جمع‌آوری شده بودند. گازپانسمان، پنبه هیدروفیل، گوش پاک کن، و تی شرت از یک سوپر مارکت محلی در اسپانیا خریداری شده است.

     برشهای گاز پانسمان، پنبه هیدروفیل و تی شرت در اندازه تقریبا کمتر از 5×5 mm2 ، با ضخامت 800 μm بودند. قطر الیاف نساجی بین 10 تا 25 μm بود، هرچندکه الیاف برخی از مواد، به ویژه پنبه، نایلون و ابریشم، در هم آمیخته شده بودند و رشته هایی با قطر بین 300 تا 600 μm را ایجاد کرده بودند.

ابزارهای تجزیه و تحلیل تصویربرداری رامان
     اندازه گیری های تصویربرداری رامان بر روی میکروسکوپ تصویربرداری Thermo DXRxi Raman (Thermo Fisher Scientific, Waltham, USA) مجهز به یک دستگاه جفت شده با بار الکترون افزا (EMCCD)، یک لیزر با طول موج تحریک 455 nm، و یک گریتینگ با 1200 خط mm-1 انجام شد. این تجهیزات با استفاده از نرم افزار تصویربرداری OMNICxi Raman کنترل می شد (1.0.0.2427; Thermo Fisher Scientific ، والتهام، ایالات متحده آمریکا). نمونه ها در آزمایشات 1، 2 و 4 با تنظیم 5 mW به عنوان توان لیزر و 50 μm به عنوان اندازه شکاف دیافراگم طیف‌نگار مورد تجزیه و تحلیل قرار گرفتند. نمونه های آزمایش 3 با استفاده از 3 mW ، به عنوان توان لیزر و با اندازه شکاف دیافراگم 25 μm طیف‌نگار آنالیز شدند. توان لیزر و دیافراگم طیف‌نگار در آزمایش 3 به منظور کاهش فلورسانس پارچه‌های تیره، به‌ویژه پارچه‌های نخی سیاه، کاهش یافت. در همه آزمایشات، محدوده طیفی اندازه گیری شده، از 3000 تا 200 cm-1 شیفت رامان با فاصله گذاری داده ها در حدود 1.93 mm-1 می باشد. با توجه به اهداف میکروسکوپ، نمونه های آزمایش 1، 2 و 3 (برش پارچه) با استفاده از هدف بزرگنمایی 4 برابر تجسم شد، در حالی که نمونه های آزمایش 4 (الیاف) با هدف بزرگنمایی 10 برابر تجسم شدند. از آنجایی که در نمونه های آزمایش 4 به جای برش پارچه از الیاف استفاده شده بود، بزرگنمایی بیشتر برای تجسم درست آنها ضروری بود.

تشخیص تصویر هوش مصنوعی بر اساس الگوریتم لبه یادگیری عمیق 5G آندوسکوپی گوارشی در ساخت و ساز پزشکی

Artificial intelligence image recognition based on 5G deep learning edge algorithm of Digestive endoscopy on medical construction

چکیده

1. مقدمه

2. تشخیص تصویر هوش مصنوعی و الگوریتم لبه یادگیری عمیق 5G

2.1. توموگرافی پزشکی هوشمند بدن

2.2. الگوریتم لبه یادگیری عمیق 5G بر اساس تشخیص تصویر هوش مصنوعی

3. تشخیص چند منظوره پزشکی هوشمند

3.1. روش ها

3.2. طراحی

4. نتایج و بحث

4.1. تشخیص تصویر هوش مصنوعی در پزشکی هوشمند

4.2. بحث

5. نتیجه گیری ها

منابع

چکیده

در این مقاله از تشخیص تصویر هوش مصنوعی برای بدست آوردن تصویر آندوسکوپی گوارشی استفاده می کنیم، و تصویر را براساس الگوریتم لبه یادگیری عمیق 5G پردازش می کنیم تا درباره نوع بیماری قضاوت کنیم و سپس برنامه درمانی را در نظر بگیریم. ترکیب شبکه ناحیه بدنی و فناوری رایانش لبه می تواند تقاضایی با تاخیر کم را در شبکه ناحیه بدن برآورده کند. در این مورد، گره گیت وی شبکه ناحیه بدنی محدود شده با منابع می تواند داده های فیزیولوژیکی جمع آوری شده را با یک وظیفه قابل بارگیری پردازش کند، و سپس با توجه به یک استراتژی خاص، وظایف و داده ها را در گره محاسباتی لبه تخلیه کند. گره رایانش لبه، پردازش مرتبط با وظیفه و ذخیره سازی داده را تکمیل می کند، و در نهایت نتایج را به موسسات پزشکی مربوطه و کاربران شبکه ناحیه بدنی برای خواندن تشخیص کمکی و درمان بیماری ها ارائه می دهد. تحقیقات نشان داده اند که براساس الگوریتم لبه یادگیری عمیق 5G تحت تشخیص تصویر هوش مصنوعی آندوسکوپی گوارشی، 25% بیماران مبتلا به پولیپ روده دارای سلول های CD4 در خون محیطی هستند. تعداد لنفوسیت ها در گروه تمایز کمتر از 200 μL بود، و RNA خونی در 92.3% بیماران کمتر از 100IU/ml بود، در حالی که CTP فام (پپتید A-حلقه ای) کمتر از 100 IU/ml بود. عفونت های فرصت طلب روده و ویروس ها می توانند به صورت مستقیم باعث آنتروپاتی شوند زیرا شدت فلورسنس پروب در اصل بدون تغییر باقی می ماند و نمی تواند یک ساختار مارپیچ سه گانه را شکل دهد. الگوریتم لبه یادگیری عمیق 5G در مقایسه با الگوریتم ساده یولو از نظر دقت تشخیص ویژگی در این مقاله، دقت را تا 68% بهبود می دهد و از نظر سرعت مشابه است. دقت و سرعت به ترتیب در مقایسه با الگوریتم RCNN تا 21% و 85% بهبود می یابند. بنابراین، الگوریتم لبه یادگیری عمیق 5G مبتنی بر تشخیص تصویر هوش مصنوعی دارای مزایای دقت و سرعت در آندوسکوپی گوارشی پزشکی هوشمند است.

1. مقدمه

پزشکی هوشمند یکی از موضوعات داغ در سالهای اخیر است که یک موضوع جدید بین رشته ای است که علم زندگی و علم اطلاعات را ادغام می کند. هیچ تعریف واضحی از پزشکی هوشمند وجود ندارد. دیدگاه اصلی این است که مبتنی بر اطلاع رسانی پزشکی است. هسته اصلی، مدیریت هویت بیماران از طریق اینترنت اشیا و فناوری حسگر و تشکیل نمایه های بیمار در سیستم های اطلاعات بیمارستان است. بر این اساس، تبادل اطلاعات و ارتباطات با توجه به منطق کسب و کار و پروتکل های شبکه انجام می شود تا شناسایی هوشمند و مکان شناسایی، ردیابی، پایش و مدیریت را ممکن سازد.

5. نتیجه گیری ها

با توجه به ویژگی های پزشکی توموگرافی هوشمند پزشکی بدن انسان، تصویر اصلی OCR به چهار بلوک تقسیم می‌شود، و هر بلوک فرعی نشان دهنده ویژگی های محلی جهت های مختلف است. یک سیگنال واحد برای توصیف ویژگی های محلی و طیفی هر بلوک فرعی استفاده می شود و یک بردار ویژه ساخته می شود. یک بردار ویژه منحصر به فرد از چهار بلوک فرعی توسط SRC دسته بندی می شود تا بردار خطای بازسازی به دست آید. چهار بردار خطای بازسازی بلوک فرعی وزن دهی می‌شوند و بر اساس یک ماتریس تصادفی وزن دهی ادغام می شوند. از طریق تحلیل آماری نتایج ادغام چندین گروه از بردارهای وزنی متغیرهای تصمیم طراحی می‌شوند و دسته‌های نمونه به دست می آیند. چهار شرط آزمون در مجموعه داده های MSTAR از جمله شرایط عملیاتی استاندارد و شرایط عملیاتی قابل تعمیم تعیین می‌شوند. تقویت ساختار علوم انسانی پزشکی به ما کمک می کند تا احساسات و خرد پزشکی خود را بیدار کنیم و ما را به درک حقیقت پشت پزشکی، رهایی از پایبندی کورکورانه و خرافات به علم و فناوری پزشکی، و بازگشت به ماهیت اصلی پزشکی هدایت می کند. مجموعه اصلی تنها کارکنان پزشکی نیستند، بلکه بیماران و خانواده‌های آنها هستند. درمان پزشکی هوشمند فشار خون که به یک مشکل عمومی تبدیل شده است، برای شروع بسیار مناسب است. با کمک درمان هوشمند پزشکی آندوسکوپی گوارشی، تحقیق درمان هوشمند پزشکی بیشتر بیماریها موضوع اصلی روش عمومی در آینده است. 

Abstract

In this paper, we use artificial intelligence image recognition to obtain Digestive endoscopy image, and process the image based on 5G Deep learning edge algorithm to judge the disease type of the patient, and then consider the treatment plan. The combination of body area network and edge computing technology can meet the demand of low delay in body area network. In this case, the resource constrained body area network gateway node can process the physiological data collected by it into an offloadable task, and then unload the task and data to the edge computing node according to a certain strategy. The edge computing node completes the corresponding task processing and data storage, and finally provides the results to the relevant medical institutions and body area network users for reading auxiliary diagnosis and treatment of diseases. Studies have shown that 25% of patients with colon polyps have CD4 cells in peripheral blood based on 5G deep learning edge algorithm under artificial intelligence image recognition of Digestive endoscopy. The number of lymphocyte in group of differentiation was less than 200/μL, and the blood RNA in 92.3% patients was lower than 100 IU/ml, while fam CTP (A-cyclic peptide) was lower than 100 IU/ml. Opportunistic infections of the intestine and viruses can directly cause enteropathy because the fluorescence intensity of the probe is essentially unchanged and cannot form a triple helix structure. In terms of feature recognition accuracy, the 5G deep learning edge algorithm in this paper improves accuracy by 68% compared to the simple Yolo algorithm, and is similar in speed. Compared with RCNN algorithm, the accuracy and speed are improved by 21% and 85% respectively. Therefore, the 5G deep learning edge algorithm based on artificial intelligence image recognition has the advantages of accuracy and speed in digestive endoscopy of intelligent medical.

1. Introduction

Smart medicine is a hot topic in recent years, which is a new interdisciplinary subject integrating life science and information science. There is no very clear definition of smart medicine. The mainstream view is that it is based on medical informatization. The core is to manage patient identities through the Internet of Things and sensor technology and form patient indexes in hospital information systems. Based on this, information exchange and communication are performed according to business logic and network protocols to enable intelligent identification and identification location, tracking, monitoring and management.

5. Conclusions

According to the medical characteristics of intelligent medical human body tomography, the original OCR image is divided into four blocks, and each sub block reflects the local characteristics of different directions. A single signal is used to describe the spectral and local features of each subblock and build a feature vector. A single feature vector of the four subblocks is categorized by the SRC to get the reconstruction error vector. The four subblock reconstruction error vectors are weighted and fused based on a random weighting matrix. Through statistical analysis of the fusion results of multiple groups of weight vectors, the decision variables are designed and sample categories are obtained. Four test conditions were set in MSTAR dataset, including standard operating conditions and extended operating conditions. Strengthening the construction of medical humanities may help us to arouse our self-contained medical emotions and wisdom, guide us to understand the truth behind medicine, get rid of blind adherence and superstition to medical science and technology, and return to the original nature of medicine. The main body is not only the medical staff, but also the patients and their families. This is very suitable to start with the intelligent medical treatment of hypertension, which has become a public problem. With the help of the intelligent medical treatment of digestive endoscopy, it is the main topic of general practice in the future to realize the intelligent medical treatment of more diseases.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص تصویر هوش مصنوعی بر اساس الگوریتم لبه یادگیری عمیق 5G آندوسکوپی گوارشی در ساخت و ساز پزشکی

Artificial intelligence image recognition based on 5G deep learning edge algorithm of Digestive endoscopy on medical construction

کاربرد MRI برای تشخیص نئوپلاسم ها

Application of MRI for the Diagnosis of Neoplasms

1 مقدمه

2 مواد و روش ها

3 نتایج

4 بحث

5 نتیجه گیری

منابع

     هدف: هدف این مطالعه تعیین معمول ترین نئوپلاسم های تشخیص داده شده با اسکن MRI و نشان دادن ارتباط آنها براساس متغیرهای توصیفی می باشد. روش ها: نرم افزار SPSS برای تعیین شیوع نئوپلاسم در تشخیص های ویژه براساس متغیرهای توصیفی جمعیت مورد مطالعه به کار گرفته شد. طی دوره پنج ساله، 791 بیمار و 839 مورد اسکن MRI در فهرست نئوپلاسم شناسایی شد (C00-D48 با توجه به دسته بندی آماری بین المللی بیماری ها و مشکلات سلامتی مرتبط ICD-10). نتایج: زنان میزان بیشتری از C00-D48 (56%) را نسبت به مردان (44%) نشان دادند. سه دسته از نئوپلاسم ثبت گردید. علاوه بر این نئوپلاسم های خوش خیم که بیشترین تعداد را شامل می شدند اساساً در بیمارانی که در دهه پنجم زندگیشان بودند، تشخیص داده شد که شامل نئوپلاسم مغز و دیگر بخش های سیستم عصبی مرکزی نیز بود. نتیجه گیری: مردان با سن کمتر از 30 سال و دارای نئوپلاسم نرخ اسکن MRI سه برابری نسبت به زنان با همان گروه سنی داشتند. هرچند زنان در دسته های دیگر سابقه اسکن بیشتری داشتند. مردان جوان اغلب زمانی که مشکوک به داشتن نئوپلاسم هستند برای اسکن انتخاب می شوند. در نهایت تعداد نئوپلاسم هایی که از طریق MRI تشخیص داده شدند نشان دهنده افزایش خطی سالیانه بود.

2 مواد و روش ها
     جمعیت مورد مطالعه شامل بیمارانی بود که بوسیله سیستم Siemens Magnetom Trio A Tim بیمارستان بالینی دانشگاه در Olsztyn (UCH) طی سال های 2011 تا 2015 مورد بررسی قرار گرفته بودند. داده در آزمایشگاه MRI بیمارستان جمع آوری گردید. جمعیت بیماران در محدوده سنی 2 تا 92 سال بودند. تعداد اسکن ها و بیماران و مشخصات بیماران مورد بررسی قرار گرفت تا بین دسته بندی C و D دسته بندی آماری بیماری ها و مشکلات سلامتی (ICD-10) ارتباط برقرار کنیم [13]. فرایند کد دهی بیماران و تشخیص در مطالعات قبلی ما شرح داده شده است [14].

     نرم افزار IBM SPSS Statistics v.24 برای پردازش و آنالیز داده ها مورد استفاده قرار گرفت. داده های سالانه و داده های دوره پنج ساله مورد آنالیز قرار گرفت تا دموگرافی کلی و تشخیص کلی با توجه به تعداد بررسی های انجام شده (تعداد ویزیت ها) یا تعداد بیماران نشان دهنده کد C و D، بدست آید. به منظور شناسایی کاربرد MRI، آمار توصیفی برای نواحی مورد نظر به کار گرفته شد. نرم افزار SPSS برای تخمین متغیرهایی مانند جنس، سن بیماران و کدهای تشخیصی خاص مورد استفاده قرار گرفت. Cross-tabulations برای بررسی ارتباط بین متغیرها و تست X2 نیز برای تعیین سطح اهمیت نواحی انتخاب شده استفاده شد؛ با این حال تنها در صورتی که هر گروه حداقل پنج مشاهده داشته باشد.

3 نتایج
     بین سال های 2011 تا 2015 تعداد 13298 مورد اسکن MRI در آزمایشگاه مربوط به UCH انجام شده است. آنالیز توزیع دسته های کدبندی شده با توجه ICD-10 در مطالعه قبلی ما انجام شده بود [14]. معمول ترین گروه از بیماری و اختلالاتی که با MRI بررسی شده بود، تعیین شد و دسته نئوپلاسم (C و D) جزو پنج بیماری غالب شناسایی شده در آزمایشگاه UCH بود. جدول 1 تعداد ویزیت ها و تعداد بیماران مرتبط با کدهای C و D در دوره پنج ساله و به طور منحصر به فرد برای هر سال از بازه سال های 2011 تا 2015 را نشان می دهد. بیماران با کدهای C و D به عنوان یک دسته شامل همه نئوپلاسم ها (C00-D48)، بیماری خون و اندام های خون ساز و اختلالات خاص درگیر کننده مکانیسم های ایمنی (D50-D89) در نظر گرفته شدند. 792 بیمار در دسته C و D بودند. هرچند یک بیمار با کد D 64 نشان دهنده بیماری خون بوده و به دلیل اینکه نئوپلاسم نداشت، بنابراین از مطالعه آماری کنار گذاشته شد.

چارچوب یادگیری عمیق براساس اختلاط دو روش S-Mask R-CNN و Inception-v3 برای تشخیص سرطان پروستات توسط تصاویرسونوگرافی

Deep learning framework based on integration of S-Mask R-CNN and Inception-v3 for ultrasound image-aided diagnosis of prostate cancer

چکیده

1- معرفی

2- عملیات مرتبط

3- قطعه بندی تصاویر

3-1 پیچیدگی سوبل

3-2 شبکه RPN

3-3 لایه ROIAlign

3-4 تابع شکست

3-5 شبکه پیچشی کامل

4- طبقه بندی تصاویر

4-1 واحد Inception

4-2 توابع هزینه اختلاف آنتروپی

4-3 حذف تصادفی

4-4 تعلیم مدل شبکه

4-5 شاخص های سنجش نتایج طبقه بندی

5- مجموعه اطلاعات و ساختار محیط تجربی

5-1 مجموعه اطلاعات

5-2 تنظیمات پارامترها

6- نتایج آزمایش

6-1 آنالیز تشخیص

6-3 آنالیز نتایج

7- نتیجه گیری

چکیده

تشخیص تصاویر سونوگرافی پروستات به کمک کامپیوتر می تواند به کشف بیماری و درمان سرطان پروستات کمک کند. با این وجود تصاویر سونوگرافی که از پروستات به دست می آید گاهی با نقطه های صوتی سنگین، نسبت پایین سیگنال به صدا و دقت پایین بررسی همراه می باشد. به منظور فائق آمدن بر این نقص، ما مدل تکنیک یادگیری عمیق را در این مقاله مطرح کردیم که S-Mask R-CNN و Inception-v3 را در تشخیص بیماری سرطان پروستات به کمک تصاویر سونوگرافی با یکدیگر ادغام می کند.  از S-Mask R-CNN برای درک دقیق قطعه بندی تصاویر سونوگرافی پروستات  و تکثیر مناطق منتخب استفاده شد. برای درک نقطه جایگاه یابی در ویژگی های پیکسل از تراز الگوریتم برای منطقه مورد نظر استفاده شده است. ویژگی های پوشش باینری یا دوتایی (یک اصطلاح تخصصی در مهندسی کامپیوتر می باشد) در تصاویر پروستات توسط شبکه پیچیده ای برای قطعه بندی ناحیه پروستات و زمینه آن به وجود آمده است. سپس، اطلاعات زمینه ای ذخیره شد، و مجموعه اطلاعات مربوط به تصاویر قطعه بندی شده سونوگرافی پروستات، برای شبکه Inception-v3 به منظور شناسایی آسیب ساخته شد. طرح شبکه جدید اضافه شد تا جایگزین رده بندی اصلی نمونه باشد، که این شبکه از گسترش به جلو و عقب تشکیل شده است. گسترش رو به جلو اساسا ویژگی های استخراج شده از لایه پیچیده، لایه مشترک و زیر لایه مشترک سوم را به لایه درونی منتقل می کند و این کار را از طریق تکنیک یادگیری انتقال انجام می دهد و سپس مقادیر کاهش یافته بین طبقه بندی ها و مقادیر علامت دار را محاسبه می کند تا سونوگرافی آسیب پروستات را تشخیص دهد. نتایج پیشنهادی نشان داد که روش مطرح شده می تواند به طور دقیق تصاویر سونوگرافی پروستات و اطلاعات قطعه بندی پروستات را در سطح پیکسل به طور همزمان مشخص نماید. این روش پیشنهاد شده نسبت به تشخیصی که پزشکان بطور دستی انجام می دهند و نیز دیگر روش های تشخیص بیماری، دارای دقت بالاتری است. روش ساده و کارآمد ما به عنوان مبنای شروع بسیار قابل اطمینان عمل می کند و منجر به تسهیل تحقیقات آینده در تشخیص یارانه ای تصاویر سونوگرافی پروستات می شود. گذشته از این، این عملیات، پیشرفت تکنولوژی های تشخیص سونوگرافی را در سرطان پروستات موجب می شود. 

7- نتیجه گیری 

مدل یادگیری عمیق که S-Mask R-CNN و Inception-v3 را در تشخیص سرطان پروستات به کمک تصاویر سونوگرافی یکپارچه می کند، در این مقاله مطرح شده است. مجموعه ای از تصاویر سونوگرافی پروستات با قطعه بندی و طبقه بندی ساخته شد و روش مطرح شده در این مقاله در این دستگاه آموزش داده شد. این مدل شبکه برای به دست آوردن جایگاه یابی صحیح نقاط ویژگی در تصاویر سونوگرافی پروستات از الگوریتم ROIAlign استفاده می کند. شبکه ترکیب شده ResNet-101 و RPN موجب بهبودی دقت قطعه بندی شده است، و پوشش باینری تصاویر سونوگرافی پروستات، از طریق FCN ایجاد شد تا به تاثیر قطعه بندی تصاویر و ناحیه پس زمینه دست یابد. طبقه بندی مدل اصلی لایه softmax، با مدل شبکه دسته بندی Inception-v3 جایگزین می شود (لایه softmax به لایه آخر میگن که خروجی لایه قبل رو میگیرد). بر اساس تست مقایسه ای، هر مدل شبکه قدیمی، روش استفاده شده در این مقاله می تواند کشف و تشخیص بیماری را بهبود بخشد بدون اینکه در محاسبات و مدل، افزایش قابل توجهی در پیچیدگی دیده شود. گام بعدی؛ گسترش دادن مجموعه اطلاعات حاضر  و استفاده از الگوریتم درون یابی خطی مکعبی است که جایگزین الگوریتم درون یابی دو خطی می باشد و به منظور پیشرفت و بهبود دقت قطعه بندی می باشد و از این رو بهبود اثرات آن بر تشخیص  بهبود می یابد. براساس تحقیقات حاضر، این مدل در زمینه سه بعدی به حد مطلوب و بهینه رسید و مورد استفاده قرار گرفت. 

Abstract

The computer-aided diagnosis of prostate ultrasound images can aid in the detection and treatment of prostate cancer. However, the ultrasound images of the prostate sometimes come with serious speckle noise, low signal-to-noise ratio, and poor detection accuracy. To overcome this shortcoming, we proposed a deep learning model that integrates S-Mask R-CNN and Inception-v3 in the ultrasound image-aided diagnosis of prostate cancer in this paper. The improved S-Mask R-CNN was used to realize the accurate segmentation of prostate ultrasound images and generate candidate regions. The region of interest align algorithm was used to realize the pixel-level feature point positioning. The corresponding binary mask of prostate images was generated by the convolution network to segment the prostate region and the background. Then, the background information was shielded, and a data set of segmented ultrasound images of the prostate was constructed for the Inception-v3 network for lesion detection. A new network model was added to replace the original classification module, which is composed of forward and back propagation. Forward propagation mainly transfers the characteristics extracted from the convolution layer pooling layer below the pool_3 layer through the transfer learning strategy to the input layer and then calculates the loss value between the classified and label values to identify the ultrasound lesion of the prostate. The experimental results showed that the proposed method can accurately detect the ultrasound image of the prostate and segment prostate information at the pixel-level simultaneously. The proposed method has higher accuracy than that of the doctor’s manual diagnosis and other detection methods. Our simple and effective approach will serve as a solid baseline and help ease future research in the computer-aided diagnosis of prostate ultrasound images. Furthermore, this work will promote the development of prostate cancer ultrasound diagnostic technology.

7- Conclusion

A deep learning model that integrates S-Mask R-CNN and Inception-v3 in ultrasound image-aided diagnosis of prostate cancer was proposed in this paper. A set of ultrasonic images of the prostate with segmentation and classification were constructed, and the model of this paper was trained on the set. This network model used the ROIAlign algorithm to achieve accurate positioning of feature points in prostate ultrasound images. The combined ResNet-101 and RPN networks improved the segmentation accuracy, and the corresponding binary mask of prostate ultrasound images was generated through FCN to achieve the segmentation effect of the prostate and background regions. The original model classification softmax layer was replaced with an improved Inception-v3 classification network model. Based on the comparison test of each classical network model, the method used in this paper can improve the detection without significantly increasing the complexity of calculation and model. The next step is to expand the current data set and use cubic linear interpolation algorithm instead of bilinear interpolation algorithm to improve the segmentation accuracy and thus improve the effect of model detection. Based on existing research, the model was optimized and applied to the 3D field.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

چارچوب یادگیری عمیق براساس اختلاط دو روش S-Mask R-CNN و Inception-v3 برای تشخیص سرطان پروستات توسط تصاویرسونوگرافی

Deep learning framework based on integration of S-Mask R-CNN and Inception-v3 for ultrasound image-aided diagnosis of prostate cancer