اطلاعات پایان نامه
شماره شناسایی : 39401371
نام و نام خانوادگی : اعظم سلطاني افاراني
عنوان پایان نامه : الگوريتم بهبود تشخیص بیماري MS در تصاوير MRI با استفاده از شبکه هاي عصبي عمیق
رشته تحصیلی : مهندسي كامپيوتر-هوش مصنوعي
مقطع تحصیلی : كارشناسي ارشد
استاد راهنما : سعيد نصري
استاد مشاور :
چکیده : بیماری مولتیپل اسکلروزیس (MS) یک بیماری التهابی می‌باشد که سیستم اعصاب مرکزی تحت تأثیر قرار می گیرد و معلولیت هایی در اندام های مختلف از جمله چشم و عضله ها به وجود می آورد. از تصویر برداری رزونانس مغناطیسی (MRI)اغلب برای تشخیص و تعیین ضایعه های بیماری MS در مغز و نخاع استفاده می‌شود. تشخیص ضایعه هایMS در تصاویر MRI به دلیل تنوع در محل ضایعه، اندازه، شکل و تنوع آناتومی بین افراد مختلف بسیار مشکل است. روشهایی برای ارزیابی، تشخیص و درمان ضایعه های MS وجود دارد. این روش ها از روی اسکن تصاویرMRI گرفته شده از مغز، تشخیص و طبقه‌بندی می‌شود. از آن جا که تشخیص و تجزیه و تحلیل این ضایعه ها از تصاویر مغز به صورت دستی گران قیمت و وقت گیر است و همچنین دارای خطاهای انسانی است، روش های خودکار و نیمه خودکار برای تشخیص ضایعه ها به وجود آمده است. در این پژوهش روشی مبتنی بر یادگیری عمیق پیشنهاد شده است که برای تشخیص بیماری MS از روی تصاویر MRI شبکه عصبی کانولوشن عمیق برای استخراج ویژگی و طبقهبندی استفاده شده است. اگرچه پژوهش‌های انجام شده در زمینه تشخیصMS در سال های اخیر از صحت، حساسیت، ویژگی و دقت خوبی برخوردار هستند اما در زمینه‌ی سلامت نیازمند صحت، حساسیت، ویژگی و دقت بالاتر است. با توجه به پیشرفت های اخیر هنوز یک رویکرد کاملأ قوی برای تشخیص ضایعه های بیماری MS به عنوان یک استاندارد برای عملکرد بالینی ارائه نشده است. همچنین نیازمند بررسی روش در چالش‌های مختلف است که خیلی کم به این موضوع اشاره شده است. با روش پیشنهادی ارائه شده در این پژوهش نتایج صحت 66/99٪، حساسیت 100٪ ، ویژگی 33/99٪ و دقت 33/99٪ به دست آمده است.
کلمات کلیدی : بیماری مولتیپل اسکلروزیس (MS) , تصاویر رزونانس مغناطیسی (MRI), شبکه عصبی کانولوشن عمیق
تاریخ دفاع : 1397/06/20
دانلود فایل چکیده

About Proposal
Title : Improved Algorithm Diagnosis of MS in MRI by using Deep Nuaral Networks
Abstract : Multiple sclerosis is an inflammatory disease that affects the central nervous system and causes disabilities in various organs, including the eyes and muscles. Magnetic resonance imaging is often used to detection and determine MS lesions in the brain and spinal cord. Detection of MS lesions in MRI images is difficult due to the variability in the location of the lesion, the size, shape and variety of anatomy among different individuals. There are ways to evaluate, detection and treat MS lesions. These methods are detected and classification by scanning MRI images taken from the brain. Because which detects and analyzes these lesions from brain images manually is expensive and time consuming, and also has human errors, automatic and semi-automatic methods for detecting lesion have been created. In this study, a deep learning-based approach has been proposed that is used deep convolution neural network to extract features and classification to diagnose MS from MRI images. In recent years although research in the field of MS diagnosis they have good accuracy, sensitivity, specificity and precision, but in the field of health, they require considerable detection power. According recent developments still, there is not yet a strong enough approach to detect MS disease lesions as a standard for clinical performance. There is also a need to examine the method in a variety of challenges that are so low on the subject mentioned the proposed method in this study is the results accuracy %99/66, sensitivity %100, specificity %99/33 and precision %99/33
Keywords : Multiple sclerosis or MS, Magnetic Resonance Imaging or MRI, Deep Convolution Neural Network
Download Abstract File