فایل ورد کامل یک چارچوب متوالی برای دسته بندی تومور مغزی: CNNN-LSTM

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل یک چارچوب متوالی برای دسته بندی تومور مغزی: CNNN-LSTM،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۶ صفحه

چکیده

گلیما یکی از رایج‌ترین تومور‌های مغزی در بزرگسالان است که از سلول‌های گلیا  نشات (سرچشمه) می‌گیرد. علیرغم پیشرفت‌های موجود در حوزه تحقیقاتی گلیما و آنالیز تصاویر پزشکی، مسئله عیب‌یابی دقیق، یکی از چالش‌های موجود است. در حالت کلی می‌توان گلیما را به دو دسته‌ی درجه بالا  و درجه پایین ، تقسیم‌بندی می‌شود. دسته‌بندی دقیق گلیما به ارزیابی میزان پیشرفت بیماری و انتخاب استراتژی درمان،‌ کمک می‌کند. علیرغم اینکه دسته‌بندی تصاویر پزشکی با استفاده از شبکه‌های عصبی پیچشی  توانسته است به موفقیت‌های قابل ملاحظه‌ای دست یابد،‌ اما همچنان استفاده از این شبکه‌ها برای دسته‌بندی تصاویر سه بعدی (D) یکی از کارهای دشوار می‌باشد. یکی از محدودیت‌های اصلی این شبکه‌ها، سختی بهینه‌سازی دستبه‌بندی حجمی سه بعدی در شبکه‌های CNN است. ما در این تحقیق،‌ با معرفی یک ساختار متوالی که از توالی شبکه  CNN و شبکه حافظه بلند‌مدت   حاصل گردیده است، این چالش را برای دسته‌بندی تصاویر MR تومور مغزی (دسته‌بندی به دو دسته‌ی LG و HG) مورد ملاحظه قرار داده‌ایم.  ویژگی‌ها با استفاده از VGG-16  پیش آموزش داده شده، استخراج شده و به یک شبکه  LSTM  داده می‌شود تا برای دسته‌بندی تصاویر گلیما به دو دسته HG و LG، ویژگی‌های سطح بالا استخراج گردد. نتایج نشان داد که استخراج ویژگی‌ها با استفاده از VGG-16 در مقایسه با ویژگی‌های استخراج شده توسط شبکه الکس  و شبکه رست ، دارای عکلکرد بهتری است.

I) مقدمه

رشد بیش از حد  سلول‌های مغزی،‌باعث ایجاد توده‌ای می‌شود که این توده‌ای می‌شود که این توده بر روی ساختار‌‌های طبیعی موجود در مغز فشار ایجاد می‌کند. این توده غیرنرمال، به سرعت رشد کرده و یک توده از سلول‌های غیرنرمال ایجاد می‌کند که این توده، تومور نامیده می‌شود. تومور‌های مغزی از نظر اندازه و سایز و میزان وخیم بودن، ‌با  یکدیگر تفاوت دارند. ذات این تومور‌ها ناهمگن است یعنی ممکن است در هر جایی از سیستم عصبی مرکزی  ایجاد شوند و چگالی تصویر در آن ها با یکدیگر متفاوت است. بیشتری تومور‌های مغزی در بزرگسالان،‌ تومور گلیماس است. رشد بیش ازحد سلول‌های گلیا  در مغز که نورون‌ها را احاطه کرده اند، ‌منجر به ایجاد گلیماس می‌شود []. 

V) نتیجه‌گیری و کار‌های پیش‌ رو

در این تحقیق برای دسته‌بندی تومور مغزی به دو دسته درجه بالا و درجه پایین، یک مدل از توالی سیستم‌های CNN و LSTM پیشنهاد دادیم. نتایج شبیه‌سازی‌ها بر روی ساختار‌های ممتاز از CNN نشان داد که مدل VGG-16   با استفاده از استخراج ویژگی‌های سطح بالا، بهترین عملکرد را داشته و موجب می‌شود که LSTM بتواند بین  دو نوع گلیما (گلیما با درجه بالا و گلیما بادرجه پایین) به خوبی  تمایز قائل شود. مزیت دیگر این روش این است که بر روی داده‌های سه بعدی، به طور مقاوم عمل می‌کند (یعنی حساسیت آن نسبت به داده‌های سه بعدی، اندک است). در ادامه، این تحقیق را برای عمل بخش‌بندی تعمیم خواهیم داد و مدلی را طراحی خواهیم کرد که بتواند با تعداد محدودی از داده های آموزش، برچسب پیکسل‌ها را پیش‌بینی کند.

عنوان انگلیسی:CNN-LSTM: Cascaded Framework For Brain Tumour Classification~~en~~

Abstract

Glioma is common type of brain tumour in adults originating from glia cell. Despite advances in medical image analysis and gliomas research, accuarte diagnosis remains a challenge. Gliomas can be in general classifed into High Grade (HG) and Low Grade (LG). The exact classification of glioma helps in evaluating the disease progression and selection of the treatment strategy. Whilst medical image classification using a Convolutional Neural Networks (CNNs) has achieved remarkable success, but it is still difficult task for CNNs to accurately classify 3D medical images. One of the major limitation is the fact that CNNs are difficult to optimize in 3D volumetric classification. In current work, we addressed this challenge by introducing a cascade of CNN with Long Short Term Memory (LSTM) Network for classification of 3D brain tumor MR images into HG and LG glioma. Features from pre-trained VGG-16 were extracted and fed into LSTM network for learning high-level feature representations to classify the 3D brain tumour volumes into HG and LG glioma. The results showed that the features extracted from VGG-16 gave better classification accuracy as compared to the features extracted from AlexNet and ResNet.

I. INTRODUCTION

Abnormal growth of cells in the brain results in a mass, which pushes on the normal structures in the brain. This abnormal mass grows quickly and creates a mass of abnormal cells called a tumour. Brain tumours vary in shape, size and severity level. They are heterogeneous in nature i.e. they can occur anywhere in the Central Nervous System (CNS) and have different Image Intensities. The most frequent brain tumours in adults are gliomas. The abnormal growth of the glial cell in the brain that surrounds the neurons results in the formation of gliomas[1].

V. CONCLUSION & FUTURE WORK

In this work, we have proposed a cascaded CNNLSTM model for volumetric classification of a brain tumour into High Grade and Low Grade glioma. Experimental results on the state of the art CNN architectures have shown that the VGG-16 model performs the best by extracting the high-level feature representations and thus enables the LSTM to effectively discriminate between HG and LG glioma. Another advantage of this method is that it is able to perform robustly on high dimensional 3D data. In future, we will extend this work for segmentation task by designing a model that can accurately predict the pixel labels for a brain tumour with a limited amount of training data.

$$en!!