ترجمه فارسی عنوان مقاله

معماری عمیق پردازش تصویری بلادرنگ مبتنی بر شبکه های عصبی برای رادیوتراپی راهنمای-تصویری (به کمک تصاویر پرتو درمانی)

عنوان انگلیسی

Deep architecture neural network-based real-time image processing for image-guided radiotherapy

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
152158	2017	9 صفحه PDF

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Physica Medica, Volume 40, August 2017, Pages 79-87

فهرست مطالب ترجمه فارسی

چکیده

کلمات کلیدی

1.مقدمه

۲. مواد و روش ها

۲.۱ تهیه (آماده سازی) تصویر

۲.۲ معماری شبکه

۲.۲.۱ رمزگذار خودکار کانوولاتور پسماند (rCAE)

۲.۲.۲ شبکه عصبی کانوولاتور پسماند (rCNN)

۲.۳ پرورش (توسعه) شبکه

۳. نتایج

۳.۱ عملکرد پردازش تصویر با rCAE

۳.۱.۱ وابستگی به تعداد لایه برداری نمونه سازی

جدول ۱. نتایج برای ارزیابی کیفی تصویر با رمزگذار خودکار کانوولاتور پسماند میان گیری شده برای تمامی بیماران (rCAE)

۳.۱.۲ وابستگی به اعداد لایه های کانوولاتور

۳.۲ عملکرد پردازش تصویر با rCNN

۳.۲.۱ وابستگی اندازه کرنل کانوولاتور

۳.۲.۲ وابستگی به تعداد کانوولاتورها

جدول ۲. نتایج ارزیابی کیفیت تصویر با شبکه عصبی کانوولاتور پسماند (rCNN) میانگین گیری شده برای تمامی بیماران

۳.۳ عملکرد پردازش تصویر با نویز گیری

4.مباحثه

جدول ۳.نتایج ارزیابی کیفی نویزگیری تصویر با رمزگذار کانوولاتور پسماند (rCAE) و شبکه عصبی کانوولاتوری پسماند (rCNN) میانگین گیری شده در تمامی بیماران

۵. جمع بندی

پیوست A

ترجمه کلمات کلیدی

پرتو درمانی، فلوروسکوپی، مدل شبکه عصبی، پردازش تصویر، کامپیوتر کمک،

کلمات کلیدی انگلیسی

Radiation therapy; Fluoroscopy; Neural network model; Image processing; Computer-assisted;

ترجمه چکیده

مقدمه: بمنظور توسعه پردازش تصویری بلادرنگ برای رادیوتراپی به کمک تصاویر ، ما مدل های شبکه عصبی متعددی را برای استفاده از (بمنظور) قیود (چگونگی) تصویر برداری مختلف ، شامل انهدام تصویر فلوروسکوپی اشعه ایکس ، ارزیابی نموده ایم. مواد و روش ها: تصاویر نصب شده (بدست آمده) از بیماران مبتلا به سرطان پروستات با دو واحد فلوروسکوپی اشعه ایکس موربی بدست آمده بود. دو گونه (نوع) از شبکه پسماند طراحی شده بودند: رمزگذار خودکار کانوولاتور (rCAE) و شبکه عصبی کانوولاتور (rCNN). ما اندازه کرنل کانوولاتوری و تعداد لایه های کانوولاتوری را برای هر دو شبکه ، و تعداد لایه برداری (جمع آوری لایه) و نمونه سازی لایه ها را تغییر داده ایم. تجربه واقعی در روش انعطاف پذیری هیستوگرام منطبق با کنتراست محدود شده پردازش تصویر اعمال شده بود. مدل های شبکه بمنظور نگهداری کیفیت تصویر خروجی ، از تصویر نزدیک به تجربه واقعی برای آزمایش استفاده نموده بود. نتایج: بیش از ۶ لایه کانوولاتور با کرنل های کانوولاتوری > 5 X 5 کیفیت تصویر را بهبود بخشیده بود. هرچند ، این مقوله اجازه تصویربرداری بلادرنگ را نداده است. پس از اعمال جفت ، نمونه سازی لایه و نمونه برداری در هر دو شبکه ها ، rCAE ها با > 3 هر کانوولاتور و rCNN ها با > 12 کانوولاتور با جفت نمونه سازی لایه و لایه برداری پردازش بلادرنگ ، در ۳۰ فریم به ازای هر ثانیه (fps) و با کیفیت تصویر قابل قبول بدست آمده بود. جمع بندی: استفاده از شبکه پیشنهادی ما ، پردازش تصویر بلادرنگ برای تقویت کنتراست و انهدام تصویر بوسیله استفاده از رایانه های شخصی مدرن مرسوم (معمول) بدست آمده است.

ترجمه مقدمه

آخرین الگوریتم های پرتو درمانی به کمک (راهنمای تصویری) صحت و درستی موقعیت مکانی را با استفاده از تکنیک های تصویر برداری پزشکی ، همچون فلوروسکوپی ، بهبود بخشیده است. تایید موقعیت مکانی بیمار بصورت روتین بوسیله ثبت تصویر 2D - 3D و با استفاده از تصاویر اشعه ایکس انجام شده بوده و تصاویر رادیوگرافی بازسازی شده (بازساختی) دیجیتالی را پیش از تابش ، ارجاع می کند. تومور یا موقعیت نشانه گر ثابت (معین) جایگذاری شده را می توان بصورت بلادرنگ در تصویربرداری فلوروسکوپی اشعه ایکس در خلال دوره درمان ، بوسیله حل مسئله عدم استواریت (ناپیداری) رابطه مابین سطح بیمار (وضعیت) و حرکت داخلی تومور ، کشف نمود. اگرچه تعمدا کنتراست بالای نشانه گرهای ثابت کشف آنها در تصاویر فلوروسکوپی را ساده می کند ، جایگذاری (کاشت) آنها دارای خصلت تهاجمی است. رویکرد دوم برای کشف حرکت تومور بصورت مستقیم بدون نشانه گرهای ثابت (تکنیک ردیابی بدون نشانه گر) می باشد. این تکنیک موقعیت تومور را با استفاده از تصاویر فلوروسکوپی کشف می کند ، اما درستی کشف تومور بشدت توسط کیفیت تصویر تحت تاثیر قرار می گیرد. چندین گونه از پردازش های تصویری (فشرده سازی طیف پویا (دینامیک) ، انهدام ، تقویت کنتراست ، مدولاسیون بسامد) در قیود تصویر برداری پزشکی یکپارچه شده اند (بکار گرفته شده اند) ، اما ممکن است که تهیه یک تصویر با کیفیت نیازمند این باشد که زمان محاسبات تا درجه ای غیر واقع بینانه ای افزایش یابد. سیستم های تصویر برداری تجاری ، به پردازش تصویری بلادرنگ با استفاده از سخت افزار تخصصی سازی شده ای ، همچون واحد پردازش گرافیکی (تصاویر گرافیکی) (GPU) یا مدار مجتمع دیجیتال برنامه پذیر (FPGA) ، دستیابی شده اما هر دو GPU و FPGA نیازمند مهارت های برنامه نویسی پیشرفته تر و زمان توسعه طولانی تری نسبت به برنامه ریزی مبتنی بر CPU هستند. یادگیری عمیق ، عملکرد را در هوش مصنوعی نسبت به یادگیری ماشینی مرسوم بیشتر بهبود بخشیده است. این مقوله در فناوری های روزمره همچون موتورهای جستجو و بازشناسی گفتار ، بکار گرفته شده است. در تصویربرداری پزشکی ، یادگیری عمیق برای انهدام (نویز گیری) تصویر ، و میزان تراکم استخوان استفاده شده است. چندین چارچوب کاری یادگیری عمیق ، اکنون بصورت عمومی در اختیار بوده و نیازمند مهارت های برنامه نویسی تخصصی یا زمان توسعه بسط یافته (گسترش یافته) نمی باشد. هنگامی که مدل شبکه توسعه داده شد ، زمان محاسبه به سرعت بوسیله استفاده از GPU کاهش می یابد. در این مطالعه ، ما چندین گونه از مدل شبکه ای را بمنظور دستیابی به پردازش تصویری بلادرنگ ارزیابی نموده ایم. گونه های مختلف پردازش تصویر برای اهداف مختلف مورد نیاز می باشند; بنابراین ما انعطاف پذیری (برابر سازی) هیستوگرام منطبق با کنتراست محدود شده (CLAHE) را انتخاب نموده و آن را با اضافه کردن تابع حذف نویز (انهدامی) تصویر ، بدلیل اینکه اجازه تغییرات در مقادیر پیکسل را بمنظور بهبود کنتراست تصویر بوسیله تجزیه و تحلیل اطلاعات پیکسل در نواحی بزرگ نسبت به حالت پیکسل به پیکسل می دهد ، گسترش و بسط داده ایم. هدف ما برای مدل شبکه یادگیری عمیق ، قادر ساختن آن برای انجام CLAHE بصورت بلادرنگ بمنظور اجازه دهی برای گسترش آن در دیگر الگوریتم های پردازش تصویری می باشد.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

Use of our suggested network achieved real-time image processing for contrast enhancement and image denoising by the use of a conventional modern personal computer.