ویرگول
ورودثبت نام
آرمان گرجی
آرمان گرجی
خواندن ۳ دقیقه·۱ سال پیش

استخراج ویژگی های عمیق از تصاویر تومور های سرطان ریه

استفاده از اتوانکودر جهت استخراج ویژگی های عمیق از تصاویر تومورهای سرطان ریه، یک روش معمول در بسیاری از پژوهش های پزشکی و پردازش تصویر است. این موضوع فقط به حوزه ی تومور های سرطانی و حتی علم پزشکی محدود نمیشه و حوزه های بسیاری از اون سود میبرن. اتوانکودرها معمولاً به صورت شبکه های عصبی عمیق طراحی می شوند که با استفاده از یادگیری بدون نظارت، ویژگی هایی رو که در تصاویر وجود دارند، استخراج می کنند. در مقابل ویژگی های عمیق ویژگی های رادیومیکس قرار دارن که در اونها، با استفاده از الگوریتم های پردازش تصویر، ویژگی های کمی از تصاویر استخراج می شوند. این ویژگی های کمی می توانند شامل مواردی مانند اندازه، شکل، شدت، توزیع یا تعداد پیکسل های خاصی باشند. برخلاف ویژگی های رادیومکیس، ویژگی های عمیق پیچیده و انتزاعی و کمتر قابل تفسیری هستند اما این ویژگی ها می توانند به عنوان ورودی برای الگوریتم های دسته بندی، تشخیص تصاویر، و پیشبینی وضعیت بیمار در آینده با استفاده از رگرسورها به کار گرفته شوند.

اتوانکودر ها در طول سالیان تغییراتی پیدا کردند و انواع مختلفی از اونها پدیدار شد که تعدادی از اون رو پایین میارم: کاملترش رو میتونید اینجا بخونید

اتوانکدرهای Convolutional :

این معماری از شبکه های عصبی کانولوشنال برای استخراج ویژگی های تصاویر استفاده می کند. در این معماری، شبکه ای از لایه های کانولوشنال و لایه های انکودر و دیکودر طراحی می شود. در لایه های کانولوشنال، ویژگی های تصاویر استخراج می شوند و سپس با استفاده از لایه های انکودر و دیکودر، تصویر اصلی بازسازیابی می شود. این معماری برای استخراج ویژگی های تصاویر با اندازه بزرگ مناسب است.

اتوانکدرهای Variational :

این معماری نیز از شبکه های عصبی عمیق استفاده می کند و با استفاده از یادگیری بدون نظارت، ویژگی های تصاویر را استخراج می کند. اما در برخلاف اتوانکودرهای سنتی، این معماری به صورت احتمالاتی است و می توان از آن برای تولید تصاویر جدید نیز استفاده کرد.

اتوانکدرهای Denoising :

این معماری از اتوانکودر برای حذف نویز در تصاویر استفاده می کند. در این معماری، تصویر اصلی با تصویری که با اعتباری که به تصویر اضافه شده است، مورد مقایسه قرار می گیرد. سپس اتوانکودر با استفاده از تصاویر نویزدار، تصاویر پاک شده را بازسازی می کند. این معماری برای استخراج ویژگی های تصاویر با نویز مناسب است.

از بین مواردی که بالا گفتم برای این کار من ازConvolutional Autoencoder استفاده کردم چراکه در مطالعات در زمینه ی استخراج ویژگی از تصاویر پزشکی بیشتر استفاده شدن و اون رو به شکل زیر تعریف کردم:

https://gist.github.com/Armanu/7bccdba046790c7d7710bffca00c90af
https://gist.github.com/Armanu/7bccdba046790c7d7710bffca00c90af.js

برای اینکه تاثیر مقادیر مختلف برای Learning Rate و Optimizer رو روی خروجی ببینم بدون استفاده از Optimizer های مرسوم و صرفا با تعریف یک حلقه ی ساده مقادیر مختلف رو امتحان کردم و بنظرم طوری که تصاویر نهایی بازسای میشن کاملا نمایان کننده ی نحوه ی تاثیر Learning Rate و Optimizer هست و گفتم اون رو هم با شما به اشتراک بزارم.

opt = RMSprop , LR = 0.0001
opt = RMSprop , LR = 0.0001
opt = SGD , LR = 0.0001
opt = SGD , LR = 0.0001
opt = Adadelta , LR = 0.005
opt = Adadelta , LR = 0.005
opt = Adam , LR = 0.005
opt = Adam , LR = 0.005


بعد از اون فیچرهای استخراج شده از قسمت encoder رو استخراج کردم و اونهارو به شکل یک اکسل درآوردم تا بتونم بعدا از اون به عنوان ورودی برای مدل های رگرسور که در نهایت با اون Overall Survival رو پیش بینی میکنم بدم. که اون رو در یک پست جداگانه توضیح میدم.

سرطان ریهشبکه‌های عصبیاتوانکودریادگیری ماشینیپزشکی
پزشک، فعال در حوزه ی هوش مصنوعی، علاقه مند به تاثیرات علوم دیجیتال و اطلاعات در علوم پزشکی
شاید از این پست‌ها خوشتان بیاید