ترجمه مقاله تکنیک یادگیری عمیق براساس اختلاط دو روش S-Mask R-CNN و Inception-v3 به منظور تشخیص سرطان پروستات – سال 2021
مشخصات مقاله:
عنوان فارسی مقاله:
تکنیک یادگیری عمیق براساس اختلاط دو روش S-Mask R-CNN و Inception-v3 به منظور تشخیص سرطان پروستات توسط تصاویرسونوگرافی
عنوان انگلیسی مقاله:
Deep learning framework based on integration of S-Mask R-CNN and Inception-v3 for ultrasound image-aided diagnosis of prostate cancer
کلمات کلیدی مقاله:
Deep learning framework based on integration of S-Mask R-CNN and Inception-v3 for ultrasound image-aided diagnosis of prostate cancer
مناسب برای رشته های دانشگاهی زیر:
پزشکی و مهندسی پزشکی
مناسب برای گرایش های دانشگاهی زیر:
پردازش تصاویر پزشکی، سایبرنتیک پزشکی، ایمنی شناسی پزشکی
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1- معرفی
2- عملیات مرتبط
3- قطعه بندی تصاویر
3-1 پیچیدگی سوبل
3-2 شبکه RPN
3-3 لایه ROIAlign
3-4 تابع شکست
3-5 شبکه پیچشی کامل
4- طبقه بندی تصاویر
4-1 واحد Inception
4-2 توابع هزینه اختلاف آنتروپی
4-3 حذف تصادفی
4-4 تعلیم مدل شبکه
4-5 شاخص های سنجش نتایج طبقه بندی
5- مجموعه اطلاعات و ساختار محیط تجربی
5-1 مجموعه اطلاعات
5-2 تنظیمات پارامترها
6- نتایج آزمایش
6-1 آنالیز تشخیص
6-3 آنالیز نتایج
7- نتیجه گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
The computer-aided diagnosis of prostate ultrasound images can aid in the detection and treatment of prostate cancer. However, the ultrasound images of the prostate sometimes come with serious speckle noise, low signal-to-noise ratio, and poor detection accuracy. To overcome this shortcoming, we proposed a deep learning model that integrates S-Mask R-CNN and Inception-v3 in the ultrasound image-aided diagnosis of prostate cancer in this paper. The improved S-Mask R-CNN was used to realize the accurate segmentation of prostate ultrasound images and generate candidate regions. The region of interest align algorithm was used to realize the pixel-level feature point positioning. The corresponding binary mask of prostate images was generated by the convolution network to segment the prostate region and the background. Then, the background information was shielded, and a data set of segmented ultrasound images of the prostate was constructed for the Inception-v3 network for lesion detection. A new network model was added to replace the original classification module, which is composed of forward and back propagation. Forward propagation mainly transfers the characteristics extracted from the convolution layer pooling layer below the pool_3 layer through the transfer learning strategy to the input layer and then calculates the loss value between the classified and label values to identify the ultrasound lesion of the prostate. The experimental results showed that the proposed method can accurately detect the ultrasound image of the prostate and segment prostate information at the pixel-level simultaneously. The proposed method has higher accuracy than that of the doctor’s manual diagnosis and other detection methods. Our simple and effective approach will serve as a solid baseline and help ease future research in the computer-aided diagnosis of prostate ultrasound images. Furthermore, this work will promote the development of prostate cancer ultrasound diagnostic technology.
چکیده
تشخیص تصاویر سونوگرافی پروستات به کمک کامپیوتر می تواند به کشف بیماری و درمان سرطان پروستات کمک کند. با این وجود تصاویر سونوگرافی که از پروستات به دست می آید گاهی با نقطه های صوتی سنگین، نسبت پایین سیگنال به صدا و دقت پایین بررسی همراه می باشد. به منظور فائق آمدن بر این نقص، ما مدل تکنیک یادگیری عمیق را در این مقاله مطرح کردیم که S-Mask R-CNN و Inception-v3 را در تشخیص بیماری سرطان پروستات به کمک تصاویر سونوگرافی با یکدیگر ادغام می کند. از S-Mask R-CNN برای درک دقیق قطعه بندی تصاویر سونوگرافی پروستات و تکثیر مناطق منتخب استفاده شد. برای درک نقطه جایگاه یابی در ویژگی های پیکسل از تراز الگوریتم برای منطقه مورد نظر استفاده شده است. ویژگی های پوشش باینری یا دوتایی (یک اصطلاح تخصصی در مهندسی کامپیوتر می باشد) در تصاویر پروستات توسط شبکه پیچیده ای برای قطعه بندی ناحیه پروستات و زمینه آن به وجود آمده است. سپس، اطلاعات زمینه ای ذخیره شد، و مجموعه اطلاعات مربوط به تصاویر قطعه بندی شده سونوگرافی پروستات، برای شبکه Inception-v3 به منظور شناسایی آسیب ساخته شد. طرح شبکه جدید اضافه شد تا جایگزین رده بندی اصلی نمونه باشد، که این شبکه از گسترش به جلو و عقب تشکیل شده است. گسترش رو به جلو اساسا ویژگی های استخراج شده از لایه پیچیده، لایه مشترک و زیر لایه مشترک سوم را به لایه درونی منتقل می کند و این کار را از طریق تکنیک یادگیری انتقال انجام می دهد و سپس مقادیر کاهش یافته بین طبقه بندی ها و مقادیر علامت دار را محاسبه می کند تا سونوگرافی آسیب پروستات را تشخیص دهد. نتایج پیشنهادی نشان داد که روش مطرح شده می تواند به طور دقیق تصاویر سونوگرافی پروستات و اطلاعات قطعه بندی پروستات را در سطح پیکسل به طور همزمان مشخص نماید. این روش پیشنهاد شده نسبت به تشخیصی که پزشکان بطور دستی انجام می دهند و نیز دیگر روش های تشخیص بیماری، دارای دقت بالاتری است. روش ساده و کارآمد ما به عنوان مبنای شروع بسیار قابل اطمینان عمل می کند و منجر به تسهیل تحقیقات آینده در تشخیص یارانه ای تصاویر سونوگرافی پروستات می شود. گذشته از این، این عملیات، پیشرفت تکنولوژی های تشخیص سونوگرافی را در سرطان پروستات موجب می شود.
