چکیده:

تصاویر MRI مغز مجموعه تصاویر سه بعدی‌ای هستند که به منظور تشخیص و بررسی ضایعه‌های مغزی همچون تومور از آن استفاده می‌شود. قطعه‌بندی تصاویر MRI و جداسازی بافت سالم از بافت آسیب‌دیده در انتخاب روش درمان، نظارت بر پیشرفت بیماری و بررسی امکان یا عدم امکان درمان بیمار بسیار موثر است. برای قطعه‌بندی تصاویر ضایعه‌های مغزی با استفاده در روش های یادگیری عمیق از مدل های مختلفی استفاده شده است که به صورت کلی میتوان به دو دسته مدل‌های دو بعدی و مدل‌های سه بعدی تقسیم کرد. در مدل ‌های سه بعدی از لایه های سه بعدی پیچشی برای قطعه‌بندی استفاده شده است که در کنار دقت بالا در جداسازی بافت ضایعات، این مدل‌ها پیچیدگی محاسباتی بالایی دارند و همچنین به حافطه گرافیکی بالایی (به علت بزرگ بودن مدل و تعداد زیاد پارامتر‌های یادگیری) احتیاج خواهند داشت.اما در مقابل، مدل ‌های دو بعدی سریع تر هستند و البته دقت پایین‌تری دارند که علت اصلی آن آموزش مدل تنها به صورت تصاویر دو بعدی در هر مرحله است که سبب می‌شود ارتباط در سه بعد بین واکسل‌ها در هنگام آموزش مورد استفاده قرار نگیرد.

در این پایان‌نامه پس از بررسی اجمالی گزیده‌ای از مدل‌های ارائه شده پیرامون قطعه‌بندی ضایعه‌های مغزی، مدلی دو بعُدی و مبتنی بر U-net ارائه کردیم.در مدل ارائه شده با توجه به هزینه محاسباتی مدل‌های سه بعدی و دقت پایین‌تر مدل‌های دو بعدی، سعی در ارائه مدلی داشتیم که هم پیچیدگی محاسباتی پایینی داشته باشد و هم از ارتباط بین هر سه بُعد تصاویر برای آموزش استفاده کند تا دقت بهتری در مقایسه با مدل‌های پیشین داشته باشد. مدلی که ارائه دادیم که از دو فاز اصلی تشکیل شده است: در فاز اول از سه شبکه U-net دو بعدی یکسان و مجزا برای آموزش مدل در سه جهت اصلی فضا استفاده کردیم. سپس در فاز دوم با همجوشی خروجی‌های مدل به وسیله یکی از روش‌های میانگین، وزن متناسب و شبکه‌عصبی به خروجی نهایی رسیدیم و سرانجام دقت 0.78 بر اساس معیار DICE بر روی داده‌های آزمایشی BraTS 2018 بدست آوردیم.