بخشبندی تصاویرCT کبد با پرتوشناسی بر مبنای الگوریتم آبپخشان
الموضوعات :محسن آقاطاهری خوزانی 1 , فتانه تقی زاده فرهمند 2
1 - دانشجوی کارشناسی ارشد، گروه پرتوپزشکی، دانشکده علوم پایه، واحد قم، دانشگاه آزاد اسلامی، قم، ایران.
2 - دانشیار، گروه فیزیک، دانشکده علوم پایه، واحد قم، دانشگاه آزاد اسلامی، قم، ایران
الکلمات المفتاحية: پرتوشناسی, تصاویرCT, پردازش تصویر, کبد, الگوریتم آبپخشان.,
ملخص المقالة :
هدف: هدف پژوهش حاضر بخشبندی تصاویر CT کبد با پرتوشناسی بر مبنای الگوریتم آبپخشان است. مواد و روش‌ها: در اﯾﻦ مطالعه یک روش ﻧﯿﻤﻪﺧﻮدﮐﺎر ﺑﺮای ﺑﺨﺶﺑﻨﺪی ﺗﻮﻣﻮرﻫﺎی ﮐﺒﺪ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺼﺎوﯾﺮ ﺳﯽﺗﯽ اﺳﮑﻦ اراﺋﻪ ﺷﺪه اﺳﺖ. اﺑﺘﺪا ﺗﻮﺳﻂ ﮐﺎرﺑﺮ ﺑﺎﻓﺖ ﺗﻮﻣﻮر و ﮐﺒﺪ ﺑﺎ اﻧﺘﺨﺎب ﻧﻘﺎﻃﯽ ﺗﻌﯿﯿﻦ ﻣﯽﮔﺮدد. ﺳﭙﺲ ﺑﻪ ﮐﻤﮏ روش آﺑﭙﺨﺸﺎن، ﺷﮑﻞﺷﻨﺎﺳﯽ ﺳﻪ ﺑﻌﺪی ﻧﻘﺎط اوﻟﯿﻪ در ﺗﻮﻣﻮر و ﮐﺒﺪ ﺗﻌﯿﯿﻦ ﻣﯽﺷﻮﻧﺪ. ﺳﭙﺲ ﺑﺎ روش اﻧﺘﺸﺎر ﻗﯿﻮد واﺑﺴﺘﻪ، ﺗﺨﻤﯿﻦ ﺑﺮﭼﺴﺐﻫﺎی ﺑﺎﻓﺖ ﺗﻮﻣﻮر و ﮐﺒﺪ اﻧﺠﺎم ﻣﯽﺷﻮد. ﺑﺎ ﮔﺮﻓﺘﻦ اﺷﺘﺮاك ﺑﯿﻦ ﺑﺮﭼﺴﺐﻫﺎی ﺑﺪﺳﺖ آﻣﺪه، ﻣﺤﺪوده ﻗﺮار ﮔﺮﻓﺘﻦ ﻣﺮز ﺗﻮﻣﻮر ﺑﺪﺳﺖ ﻣﯽآﯾﺪ و ﻧﻬﺎﯾﺘﺎً ﺑﺎ اﺳﺘﻔﺎده از آﺷﮑﺎرﺳﺎز ﻟﺒﻪ ﮐﻨﯽ، ﻣﺮزﻫﺎی ﻧﻬﺎﯾﯽ ﺗﻮﻣﻮر ﻣﺸﺨﺺ ﻣﯽﺷﻮﻧﺪ. یافته‌ها: تغییرات تعداد نقاط اولیه، بر روی نتایج خروجی تاثیر کمی داشته است. در روش CAP با توجه به آنکه تخمین داده‌ها با استفاده از نقاط نمونه‌برداری شده صورت می‌گیرد و اطراف این نقاط تخمین زده میشود، با هر تعداد نمونه اولیه، روشCAP قادر است تا نتایج نهایی را تولید نماید، که این امر نشان‌دهنده قدرت بالای روش CAP در تخمین داده‌ها است. نتیجه‌گیری: بکارگیری الگوریتم آبپخشان باعث بهبود بخشبندی تصاویر CT کبد با پرتوشناسی میشود.
1. Altini N, Prencipe B, Cascarano GD, Brunetti A, Brunetti G, Triggiani V & et al. Liver, kidney and spleen segmentation from CT scans and MRI with deep learning: A survey. Neurocomputing. 2022; 490: 30-53.
2. Valindria VV, Pawlowski N, Rajchl M, Lavdas I, Aboagye EO, Rockall AG & et al. Multi-modal learning from unpaired images: Application to multi-organ segmentation in CT and MRI. In: 2018 IEEE winter conference on applications of computer vision (WACV) (pp. 547-556). IEEE.
3. Wang K, Mamidipalli A, Retson T, Bahrami N, Hasenstab K, Blansit, K & et al. Automated CT and MRI liver segmentation and biometry using a generalized convolutional neural network. Radiology: Artificial Intelligence. 2019; 1(2).
4. Raju A, Cheng CT, Huo Y, Cai J, Huang J, Xiao J. & et al. Co-heterogeneous and adaptive segmentation from multi-source and multi-phase CT imaging data: a study on pathological liver and lesion segmentation. In: European Conference on Computer Vision (pp. 448-465). Springer, Cham, 2020.
5. Vorontsov E, Cerny M, Régnier P, Di Jorio L, Pal CJ, Lapointe R & et al. Deep learning for automated segmentation of liver lesions at CT in patients with colorectal cancer liver metastases. Radiology: Artificial Intelligence. 2019; 1(2).
6. Lebre MA, Vacavant A, Grand-Brochier M, Rositi H, Strand R, Rosier H & et al. (2019). A robust multi-variability model-based liver segmentation algorithm for CT-scan and MRI modalities. Computerized Medical Imaging and Graphics. 2019; 76.
7. Zhou LQ, Wang JY, Yu SY, Wu GG, Wei Q, Deng, YB & et al. Artificial intelligence in medical imaging of the liver. World journal of gastroenterology. 2019; 25(6): 672.
8. Montagnon E, Cerny M, Cadrin-Chênevert A, Hamilton V, Derennes T, Ilinca A & et al. Deep learning workflow in radiology: a primer. Insights into imaging. 2020; 11(1): 1-15.
9. Qayyum A, Lalande A & Meriaudeau F. Automatic segmentation of tumors and affected organs in the abdomen using a 3D hybrid model for computed tomography imaging. Computers in Biology and Medicine. 2020; 127.
10. Xu Y, Cai M, Lin L, Zhang Y, Hu H, Peng Z & et al. PA‐ResSeg: A phase attention residual network for liver tumor segmentation from multiphase CT images. Medical Physics. 2021; 48(7): 3752-3766.
11. Homayounieh F, Singh R, Nitiwarangkul C, Lades F, Schmidt B, Sedlmair M & et al. Semiautomatic segmentation and radiomics for dual-energy CT: a pilot study to differentiate benign and malignant hepatic lesions. American Journal of Roentgenology. 2020; 215(2): 398-405.
12. Jirapatnakul A, Reeves AP, Lewis S, Chen X, Ma T, Yip R & et al. Automated measurement of liver attenuation to identify moderate-to-severe hepatic steatosis from chest CT scans. European journal of radiology. 2020; 122.
13. Chlebus G, Schenk A, Moltz JH, van Ginneken B, Hahn HK, & Meine H. Automatic liver tumor segmentation in CT with fully convolutional neural networks and object-based postprocessing. Scientific reports. 2018; 8(1): 1-7.
14. Kushnure DT, & Talbar SN. MS-UNet: A multi-scale UNet with feature recalibration approach for automatic liver and tumor segmentation in CT images. Computerized Medical Imaging and Graphics. 2021; 89.
15. Yamashita R, Nishio M, Do RKG & Togashi K (2018). Convolutional neural networks: an overview and application in radiology. Insights into imaging. 9(4): 611-629.
16. Choi KJ, Jang JK, Lee SS, Sung YS, Shim WH, Kim HS & et al. Development and validation of a deep learning system for staging liver fibrosis by using contrast agent–enhanced CT images in the liver. Radiology. 2018; 289(3): 688-697.
17. Wu J, Furuzuki M, Li G, Kamiya T, Mabu S, Tanabe M & et al. Segmentation of liver tumors in multiphase computed tomography images using hybrid method. Computers & Electrical Engineering. 2022; 97.
18. Naeem S, Ali A, Qadri S, Khan Mashwani W, Tairan N, Shah H & et al. Machine-learning based hybrid-feature analysis for liver cancer classification using fused (MR and CT) images. Applied Sciences. 2020; 10(9): 3134.
19. Nanda N, Kakkar P & Nagpal S. Computer-aided segmentation of liver lesions in CT scans using cascaded convolution neural networks and genetically optimized classifier. Arabian Journal for Science and Engineering. 2019; 44(4): 4049-4062.
20. Freman S, Haak D & Wenderoth MP. Increased Course Structure Improves Performance in Introductory Biology. CBE Life Sci Educ. 2011; 10(2): 175-186.
