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

معماری هوشمند محیطی مبتنی بر زمینه MRPM 12 ضربه ای فیلتر FIR نیم باند بیشتر حساسیت زدایی شده برای سیگنال EEG

Ambient intelligence architecture of MRPM context based 12-tap further desensitized half band FIR filter for EEG signal

چکیده
1. مقدمه
2. اثر مربوط
3. روش ارائه شده
4. نتایج و مباحث
5. نتیجه گیری
منابع

چکیده
فیلتر نیم باند ساخته شده با ساختاری آبشاری از فیلتر FIR عدم حساسیت پاسخ فرکانس را با توجه به کمی سازی ضریب کاهش می دهد. فقدان در حساسیت ضریب را می توان با فیلتر FIR نیم- باند حساسیت زدایی شده، بیشتر کاهش داد. یک فیلتر حساسیت زدایی شده دیجیتال شامل فیلتر نیم باند اول و دوم متصل به یک آبشار بین ورودی و خروجی فیلتر دیجیتال است. طراحی آنالیز سیگنال های (EEG) الکتروانسفالوگرام با معماری (FIR) فیلتر پاسخ پالس محدود نیم- باند انجام می شود. این اثر FIR نیم باند 12- ضربه اضافی حساسیت زدایی شده، یگ (MRPM) افزاینده (ضرب کننده) دهقان روسی تغییر یافته کارآمد را با یک بخش (SQRT CSLA) جمع کننده گزینش رقم نقلی ریشه مربعات به کار می گیریم، لازم به ذکر است که (SQRT CSLA) به منظور کاهش سخت افزار در واحد (MAC) ضرب کننده و جمع کننده استفاده می شود. طراحی فیلتر ارائه شده برای آنالیز سیگنال های EEG با سخت افزار کاهش یافته در مونیتورینگ مربوط به مراقبت های بهداشتی برای محیط پیرامون به کار گرفته می شود. روش ارائه شده کاهش 38.5% در تعداد LUTها، کاهش 47.49% در تعداد تکه ها، کاهش 8.16% در تاخیر (نانو ثانیه) و کاهش 29.80% در قدرت (mw) را به معرض نمایش می گذارد.

2. اثر مربوط
2.1. ضرب کننده دهقان روسی
RPM یکی از بهترین الگوریتم های ضرب است. این به قانون «ضرب و تقسیم» بستگی دارد. به منظور ضرب و تقسیم پیاده سازی داده های دیجیتال، شیفترهای چپ و راست استفاده می شود. جمع کننده ها، شیفترهای چپ، شیفترهای راست، تسهیم کننده های 2:1 در RPM استفاده می شود. این روش آسان برای ضرب دو مقدار بیت «n» بصورت مفصل توسط کومار و رابی (2016) تشریح می شود. در این ضرب، این مشتمل بر 3 مرحله است،
• نسل تولید جزئی (PPG)
• کاهش درخت والاس (WTR)
• واحد اضافه نهایی (FAU)

ساختار تغییر یافته ضرب کننده دهقان روسی در شکل 2 نشان داده شده است. در (MDRPM) ضرب کننده دهقان روسی دیجیتال تغییر یافته تنها شیفترهای چپ برای ارائه نتایج PPG استفاده می شود. (RWTG) نسل کاهشی درخت والاس به منظور ثبت نتایج PPG توسعه می یابد. ترکیب کمپرسورهای 5-2، 3-2، 4-2 و نصف جمع کننده ها در ضرب کننده درخت والاس کاهش یافته، در چهار بخش مختلف از مراحل کاهش تولیدات جزئی به کار گرفته می شود. اضافه دو داده بیت «n» با استفاده از (MSQRTCSLA) SQRTCSLA تغییر یافته 16- بیتی انجام می شود.

بلوک نسل رقم نقلی در SQRT CSLA زمان محاسباتی بیشتری را در فرایند اضافه نمودن خرح می کند. SQRTCSLA با استفاده از بلوک کاهش یافته CG تنها چند گیت AND دارد و گیت های OR به منظور تولید خروجی رقم نقلی استفاده می شوند، هم چنان که در SQRTCSLA مرسوم تعداد بالایی از گیت های AND و OR به کار گرفته می شود. MSQRTCSLA شامل DRPM است همانطور که توسط اوتیاکومار و کامالراج (2017) تشریح می شود.

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.

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.

استحکام شبکه های عصبی کانولوشن در تشخیص ضایعات پوستی رنگدانه ای پوست

Robustness of convolutional neural networks in recognition of pigmented skin lesions

چکیده
1 مقدمه
2 مواد و روش ها
1-2 طرح تحقیق و مطالعه
2-2 مجموعه داده ها
3-2 پیشرفت و بسط طبقه بندی کننده
4-2 روش هایی برای کاهش شکنندگی و عدم انعطاف
5-2 آنالیز و تحلیل
3 نتایج
1-3 عملکرد پایه و مبنا و شکنندگی (عدم انعطاف)
2-3 اثربخشی روش های امتحان شده روی تغییرات مصنوعی
3-3 اثربخشی روش های تست و امتحان شده روی تغییرات طبیعی
4 بحث و گفتگو
1-4 کاربردها و مفاهیم عملی
2-4 محدودیت ها
5 نتیجه گیری
منابع

چکیده
پیش زمینه: نیاز پایه و اساسی برای سیستم های آنالیز تصویر مبتنی بر هوش مصنوعی (AI)، که می بایست در طب بالینی ادغام شوند، از استواری و قابلیت اطمینان بالایی برخوردار است. تغییرات جزئی و اندک در نحوه ی بدست آوردن آن تصاویر، برای مثال، در طول غربالگری روتین سرطان پوست، نباید تشخیص چنین سیستم های کمکی (سیستم های کمک یار پزشک) را تغییر دهد.
هدف: هدف کمی سازی و سنجش این است که درهم ریختگی ها و تغییرات جزئی تصویر تا چه میزان طبقه بندی ضایعه ی پوستی به واسطه ی شبکه ی عصبی پیچشی (کانولوشن) (CNN) را تحت تأثیر قرار می دهند و همچنین بررسی سه راه حل ممکن و عملی برای این مشکل است (داده افزایی اضافی، افزایش زمان تست، خوشنماسازی).
روش ها: ما سه معماری رایج و متداول CNN را برای ایجاد تمایز بین تصاویر درموسکوپی ملانوما یا خال سرطانی و خال های مادرزادی تمرین کرده و به کار بردیم. متعاقبا، عملکرد و حساسیت آنها نسبت به تغییرات جزئی (شکنندگی و عدم انعطاف) بر روی دو مجموعه ی امتحانی متمایز با تصاویر متعدد برای هر ضایعه تست و امتحان شد. برای مجموعه ی نخست، تغییرات تصاویر، مثل چرخش یا بزرگنمایی (زوم)، به صورت مصنوعی ایجاد شدند. مجموعه ی دوم تغییرات طبیعی را دربرمیگرفت که از چندین عکس گرفته شده از همان ضایعات ناشی می شدند.
نتایج: تمامی معماری ها شکنندگی و عدم انعطاف در مجموعه امتحانی مصنوعی و طبیعی را نشان دادند. سه روش بررسی شده قادر به کاهش شکنندگی و عدم انعطاف تا درجات مختلف بودند درحالیکه همچنان عملکرد را حفظ می کردند. ارتقا و بهبود دیده شده برای مجموعه امتحانی مصنوعی بیشتر از طبیعی بود، جایی که پیشرفت ها جزئی و اندک بودند.
نتیجه گیری: تغییرات جزئی تصاویر، نسبتا نامشخص برای انسان ها، می توانند روی استواری و قابلیت اطمینان شبکه های عصبی پیچشی (CNNs) متمایز کننده ی ضایعات پوستی تأثیرگذار باشند. این تأثیر را می توان از طریق روش هایی که در اینجا تست و امتحان شده اند کاهش داد، اما نمی توان آن را کاملا حذف و برطرف کرد. لذا، تحقیقات بیشتر به منظور حفظ و تقویت عملکرد طبقه بندی کننده های (جداکننده های) هوش مصنوعی (AI) در جهت تسهیل انتقال چنین سیستم هایی به کلینیک و درمانگاه مورد نیاز می باشد.

5- نتیجه گیری

تغییرات جزئی و اندک تصویر، که برای انسان ها تاحدودی نامعلوم و نامشخص هستند، می توانند روی سطح اطمینان و تشخیص شبکه های عصبی پیچشی متمایزکننده ی ضایعات پوستی تأثیر بگذارند. این تأثیر با استفاده از روش هایی که در اینجا تست و امتحان شدند کاهش یافت اما کاملا برطرف نشد. بنابراین، ما می خواهیم به متخصصان و دست اندرکاران یادگیری عمیق و پزشکان حوزه ی درماتولوژی بلکه پزشکان به طور کلی یادآوری کنیم که شکنندگی و عدم انعطاف می بایست صراحتا در رأس کار قرار گرفته و به عنوان هدف مد نظر قرار بگیرد و به منظر تسهیل انتقال از آزمایشگاه به کلینیک باید بر آن غلبه کرد.

Abstract

Background A basic requirement for artificial intelligence (AI)–based image analysis systems, which are to be integrated into clinical practice, is a high robustness. Minor changes in how those images are acquired, for example, during routine skin cancer screening, should not change the diagnosis of such assistance systems.

Objective To quantify to what extent minor image perturbations affect the convolutional neural network (CNN)–mediated skin lesion classification and to evaluate three possible solutions for this problem (additional data augmentation, test-time augmentation, anti-aliasing).

Methods We trained three commonly used CNN architectures to differentiate between dermoscopic melanoma and nevus images. Subsequently, their performance and susceptibility to minor changes (‘brittleness’) was tested on two distinct test sets with multiple images per lesion. For the first set, image changes, such as rotations or zooms, were generated artificially. The second set contained natural changes that stemmed from multiple photographs taken of the same lesions.

Results All architectures exhibited brittleness on the artificial and natural test set. The three reviewed methods were able to decrease brittleness to varying degrees while still maintaining performance. The observed improvement was greater for the artificial than for the natural test set, where enhancements were minor.

Conclusions Minor image changes, relatively inconspicuous for humans, can have an effect on the robustness of CNNs differentiating skin lesions. By the methods tested here, this effect can be reduced, but not fully eliminated. Thus, further research to sustain the performance of AI classifiers is needed to facilitate the translation of such systems into the clinic.

5. Conclusions

Minor image changes, relatively inconspicuous for humans, can have an effect on the confidence and diagnosis of CNNs differentiating skin lesions. Using the methods tested here, this effect was reduced but not fully eliminated. Therefore, we would like to remind deep learning practitioners and physicians in dermatology but also in medicine in general, that brittleness needs to be explicitly targeted and overcome to facilitate translation from bench-to-bedside.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

استحکام شبکه های عصبی کانولوشن در تشخیص ضایعات پوستی رنگدانه ای پوست

Robustness of convolutional neural networks in recognition of pigmented skin lesions

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

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

شبکه های عصبی پیچشی نیروی دوگانه برای تقسیم بندی دقیق تومور مغزی

Dual-force convolutional neural networks for accurate brain tumor segmentation

چکیده

1. پیشگفتار

2. کارهای مربوطه

2.1. معماری‌های CNN

2.2. روش‌های پس از پردازش

3. شبکه‌های نیروی دوگانه

3.1. مرور مختصری از خطوط پایه

3.2. DeepMedic چند سطحی

3.3. شبکه‌های نیروی دوگانه

3.4. تابع زیان مبتنی بر توزیع برچسب

3.5. پس از پردازش

4. آزمایش‌ها

4.1. مجموعه داده‌ها

4.2. جزئیات پیاده‌سازی

4.3. معیارهای ارزیابی

4.4. مقایسه عملکرد بین DeepMedic و MLDeepMedic

4.5. اثربخشی روش پس از پردازش مبتنی بر DFN و MLP

4.6. مقایسه با پیشرفته‌ترین روش‌ها

4.7. تجزیه و تحلیل پیچیدگی

5. نتیجه‌گیری

چکیده

 تقسیم‌بندی تومور مغزی از اسکن‌های تصویربرداری رزونانس مغناطیسی، برای هر دوی تشخیص و درمان سرطان مغزی، حیاتی است. به طور گسترده‌ای پذیرفته شده است که تقسیم‌بندی دقیق بستگی به اطلاعات چند-سطحی دارد. با این حال، معماری‌های عمیق موجود برای تقسیم‌بندی تومور مغزی موفق به تشویق صریح مدل‌ها به یادگیری ویژگی‌های سلسله مراتبی با کیفیت بالا نمی‌شوند. در این مقاله، مجموعه‌ای از رویکردها را برای افزایش کیفیت ویژگی‌های سلسله مراتبی شناخته شده ارائه می‌دهیم. نقش ما ادغام چهار جنبه است. اولا، به منظور استفاده از اطلاعات چند-سطحی برای تقسیم‌بندی دقیق‌تر، مدل محبوب DeepMedic را به Multi-Level DeepMedic توسعه می‌دهیم. دوما، طرحواره آموزشی نیروی دوگانه جدیدی را برای ارتقاء کیفیت ویژگی‌های چند-سطحی آموخته شده از مدل‌های عمیق ارائه می‌دهیم. این طرحواره، طرح آموزشی کلی است و می‌توان آن را در بسیاری از معماری‌های موجود، از قبیل DeepMedic و U-Net اعمال کرد. سوما، یک تابع زیان مبتنی بر توزیع برچسب را به عنوان رده‌بندی کننده کمکی برای تشویق لایه‌های سطح بالای مدل‌های عمیق به یادگیری اطلاعات انتزاعی‌تر طراحی می‌کنیم. در نهایت، یک رویکرد جدید پس از پردازش مبتنی بر ادراک چند-لایه‌ای  را برای اصلاح نتایج پیش‌بینی مدل‌های عمیق پیشنهاد می‌دهیم. آزمایش‌های گسترده‌ای روی دو مورد از جدیدترین مجموعه داده‌های تقسیم‌بندی تومور مغزی، یعنی، BRATS 2017 و BRATS 2015، انجام شده است. نتایج مربوط به این دو مجموعه داده نشان می‌دهند که رویکردهای ارائه شده به طور مداوم عملکرد تقسیم‌بندی دو مدل عمیق محبوب را ارتقا می‌بخشند. 

5. نتیجه‌گیری

تقسیم‌بندی دقیق تومور مغزی بستگی به اطلاعات چند سطحی دارد. با این حال، مدل‌های عمیق موجود به طور صریح کیفیت ویژگی‌های سلسله مراتبی آموخته شده را تضمین نمی‌کنند. در این مقاله، یک استراتژی آموزشی نیروی دوگانه را برای تشویق صریح مدل‌های عمیق به یادگیری ویژگی‌های چند سطحی با کیفیت بالا ارائه می‌دهیم. این امر به وسیله یک تابع زیان مبتنی بر توزیع برچسب برای یادگیری اطلاعات معنایی انتزاعی و یک تابع زیان softmax برای تقسیم‌بندی با استفاده از ویژگی‌های چند سطحی تحقق می‌یابد. استراتژی آموزشی نیروی دوگانه را می‌توان در بسیاری از شبکه‌های محبوب از قبیل Deep-Medic و U-Net اعمال کرد. اِعمال استراتژی ارائه شده در مدل‌های عمیق تنها به طور جزئی پیچیدگی زمانی و فضایی را در حین آموزش افزایش می‌دهد. علاوه‌براین، همچنین یک روش پس از پردازش مبتنی بر MLP را ارائه می‌دهیم که می‌تواند به طور خودکار قوانین پردازش را از داده‌ها، به جای خلاصه‌سازی دستی، یاد بگیرد. آزمایش‌های گسترده روی دو مورد از جدیدترین پایگاه‌های داده تقسیم‌بندی تومور مغزی، کارایی و اثربخشی رویکردهای ارائه شده را تایید می‌کنند. یکی از کمبودهای روش پس از پردازش مبتنی بر MLP این است که فرایند آموزشی آن جدای از فرایند آموزشی DFN است؛ بنابراین، چارچوب کلی کاملا انتها-به-انتها نیست. در آینده، قابلیت تقسیم‌بندی معماری تقسیم‌بندی را بهبود خواهیم بخشید به طوری که بتوان از مرحله پیش پردازش جداگانه جهش کرد. 

Abstract

Brain tumor segmentation from Magnetic Resonance Imaging scans is vital for both the diagnosis and treatment of brain cancers. It is widely accepted that accurate segmentation depends on multi-level information. However, exiting deep architectures for brain tumor segmentation fail to explicitly encourage the models to learn high-quality hierarchical features. In this paper, we propose a series of approaches to enhance the quality of the learnt hierarchical features. Our contributions incorporate four aspects. First, we extend the popular DeepMedic model to Multi-Level DeepMedic to make use of multi-level information for more accurate segmentation. Second, we propose a novel dual-force training scheme to promote the quality of multi-level features learnt from deep models. It is a general training scheme and can be applied to many exiting architectures, e.g., DeepMedic and U-Net. Third, we design a label distribution-based loss function as an auxiliary classifier to encourage the high-level layers of deep models to learn more abstract information. Finally, we propose a novel Multi-Layer Perceptron-based post-processing approach to refine the prediction results of deep models. Extensive experiments are conducted on two most recent brain tumor segmentation datasets, i.e., BRATS 2017 and BRATS 2015 datasets. Results on the two databases indicate that the proposed approaches consistently promote the segmentation performance of the two popular deep models.

5. Conclusion

Accurate brain tumor segmentation depends on multi-level information. However, existing deep models do not explicitly guarantee the quality of the learnt hierarchical features. In this paper, we propose a dual-force training strategy to explicitly encourage deep models to learn high-quality multi-level features. This is realized by a label distribution-based loss function to learn the abstract semantic information and a softmax loss function for segmentation using multi-level features. The dual-force training strategy can be applied to many popular networks, e.g., DeepMedic and U-Net. Applying the proposed strategy to deep models only slightly increases the time and space complexity while training. Besides, we also propose an MLP-based post-processing method that can automatically learn post-processing rules from data rather than manual summarization. Extensive experiments on two most recent brain tumor segmentation databases justify the efficiency and effectiveness of the proposed approaches. One shortage of the MLP-based post processing method is that its training process is separated from that of DFN; therefore, the entire framework is not completely end-to-end. In the future, we will further enhance the segmentation capability of the deep architecture, so that a separate post-processing stage can be skipped.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

شبکه های عصبی پیچشی نیروی دوگانه برای تقسیم بندی دقیق تومور مغزی

Dual-force convolutional neural networks for accurate brain tumor segmentation

یک رویکرد چند مقیاس XFEM برای بررسی رفتار شکستگی مواد ترکیبی الهام گرفته زیستی

A multiscale XFEM approach to investigate the fracture behavior of bio-inspired composite materials

چکیده

1- مقدمه

2- مدل محاسباتی

2-1 مدل هندسی

2-2 تحلیل های عددی و ویژگی های مواد

3- نتایج و مباحث

نکات جمع بندی

چکیده

در تنظیمات روش های نو ظهور در طراحی مواد، ما استفاده از روش المان محدود توسعه یافته (XFEM) را بررسی می کنیم تا رفتار ترکیب های تقویت شده با فیبر با الهام از استخوان های زیستی را بررسی کرده و تاثیر آن را بر روی شکستگی بررسی کنیم. خروجی شبیه سازی ها نشان دهنده ی تطابق خوب با نتایج آزمایشی می باشد و نشان دهنده ی نقش کلیدی است که توسط ریز ساختار های ناهمگن در تغییر میدان تنش ایجاد می شود و ترمرکز تنش در نوک ترک را تغییر می دهد و ما همچنین نقش بحرانی سطح مشترک ( یعنی خط سیمان) را در ایجاد فعال سازی مکانیزم های سفت شدگی استخوان بررسی می کنیم تا بتوانیم تحمل کلی شکست این ترکیب ها را بررسی کنیم.

نکات جمع بندی

به صورت خلاصه، این مقاله یک روش عددی جدید مبتنی بر XFEM را ارائه می کند تا بتوان رفتار مکانیکی مواد مرکب الهام گرفته زیستی را که قبلا طراحی و تولید شده است را بررسی کرد و نقش ویژگی های ریز ساختار (خط سیمان) در روند شکستگی را بررسی کرد. خروجی این مطالعه نشان می دهد که این مدل می تواند رفتار آزمایشی و مکانیزم های سفتی را تقلید کند و تطابق خوبی از نظر ویژگی های مکانیکی و حالت های شکست دارد. نتایج ما در رابطه با نقش خط سیمان در ترکیب های زیستی ما اطلاعات جدیدی را ارائه داده و نشان دهنده ی اهمیت تقلید این ویژگی ها به عنوان یک ناحیه ی مشترک در مواد الهام گرفته از شرایط زیستی می باشد و منجر به افزایش فعال سازی مشخصه های مکانیزم های سفت شدن و ارتقای سفتی شکستگی می باشد. این روش های عددی پیشنهاد شده را می توان تنها برای پیش بینی حالت های شکست مواد مرکب استفاده کرد، همچنین می توان از آن ها برای ارزیابی نقش ریز ساختار های رفتار شکستگی کلی استفاده کرد. نتایج ارائه شده ممکن است منجر به درک بهتر روابط بین ساختار و ویژگی ها در مواد زیستی و زیست تقلیدی شود. با پیشرفت به جلو، این قالب کاری را می توان به عنوان یک ابزار برای بهبود راه حل های جدید طراحی استفاده کرده و راه حل های بهینه ای را در آینده ارائه کند و از تکنیک های بهینه سازی بهره ببرد.

Abstract

In the setting of emerging approaches for material design, we investigate the use of the extended finite element method (XFEM) to predict the behavior of a newly designed bone-inspired fiber-reinforced composite and to elucidate the role of the characteristic microstructural features and interfaces on the overall fracture behavior. The outcome of the simulations, showing a good agreement with the experimental results, reveals the fundamental role played by the heterogeneous microstructure in altering the stress field, reducing the stress concentration at the crack tip, and the crucial role of the interface region (i.e. cement line) in fostering the activation of characteristic toughening mechanisms, thus increasing the overall flaw tolerance of the composite.

4- Concluding remarks

In summary, this paper presented a novel numerical approach, based on XFEM, to investigate the mechanical behavior of a de novo bio-inspired composite, previously designed, manufactured and tested by the authors, and the role of a characteristic microstructural feature (i.e. the cement line) in the fracture process. The outcome of this study shows that the models were able to mimic the experimentally observed behavior and toughening mechanisms, showing a good agreement in terms of mechanical properties and failure modes. Our results also shed light on the role of the cement line in our bone-inspired composite and demonstrate the importance of mimicking such feature – as interface region – in new bone-inspired materials, promoting the activation of characteristic toughening mechanisms and enhancing the fracture toughness. This proposed numerical approach can be used not only to predict the failure modes of composite materials, but also to investigate the role of the microstructure on the overall fracture behavior. The presented results may also provide a better understanding of the relationship between the structure and the properties in biological and biomimetic materials. Going forward, this framework could be used as a tool to improve the current design solution and propose future optimal solutions, also leveraging on optimization techniques.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

یک رویکرد چند مقیاس XFEM برای بررسی رفتار شکستگی مواد ترکیبی الهام گرفته زیستی

A multiscale XFEM approach to investigate the fracture behavior of bio-inspired composite materials