سامانه مدیریت نشریات علمی دانشگاه کاشان

قاسمی, زهرا, صمدی میاندوآب, پیام, سرشوق, سمیرا, سینا, صدیقه. (1401). بهبود واقع‌گرایانه رزولوشن تصاویر رادیوگرافی قفسه سینه با استفاده از شبکه مولد تخاصمی. سامانه مدیریت نشریات علمی, 11(شماره 4), 133-138.
زهرا قاسمی; پیام صمدی میاندوآب; سمیرا سرشوق; صدیقه سینا. "بهبود واقع‌گرایانه رزولوشن تصاویر رادیوگرافی قفسه سینه با استفاده از شبکه مولد تخاصمی". سامانه مدیریت نشریات علمی, 11, شماره 4, 1401, 133-138.
قاسمی, زهرا, صمدی میاندوآب, پیام, سرشوق, سمیرا, سینا, صدیقه. (1401). 'بهبود واقع‌گرایانه رزولوشن تصاویر رادیوگرافی قفسه سینه با استفاده از شبکه مولد تخاصمی', سامانه مدیریت نشریات علمی, 11(شماره 4), pp. 133-138.
قاسمی, زهرا, صمدی میاندوآب, پیام, سرشوق, سمیرا, سینا, صدیقه. بهبود واقع‌گرایانه رزولوشن تصاویر رادیوگرافی قفسه سینه با استفاده از شبکه مولد تخاصمی. سامانه مدیریت نشریات علمی, 1401; 11(شماره 4): 133-138.

بهبود واقع‌گرایانه رزولوشن تصاویر رادیوگرافی قفسه سینه با استفاده از شبکه مولد تخاصمی

مجله سنجش و ایمنی پرتو
مقاله 27، دوره 11، شماره 4 - شماره پیاپی 44، اسفند 1401، صفحه 133-138    اصل مقاله (351.45 K)
نوع مقاله: مقاله کنفرانسی
نویسندگان
زهرا قاسمی* 1؛ پیام صمدی میاندوآب2؛ سمیرا سرشوق3؛ صدیقه سینا3، 4
1دانشکده مهندسی انرژی و فیزیک، دانشگاه صنعتی امیرکبیر، تهران، ایران
2بخش مهندسی پرتوپزشکی، دانشکده مهندسی انرژی و فیزیک، دانشگاه صنعتی امیرکبیر، تهران، ایران
3بخش مهندسی هسته‌ای، دانشکده مهندسی مکانیک، دانشگاه شیراز، شیراز، فارس، ایران
4مرکز تحقیقات تابش، دانشکده مهندسی مکانیک، دانشگاه شیراز، شیراز، فارس، ایران
چکیده
رادیوگرافی از جمله روش‌های تصویربرداری پزشکی است که با استفاده از اشعه ایکس به پزشکان در امر تشخیص صحیح بیماری‌ها کمک می‌کند. تنظیم نامناسب پارامترهای تیوب اشعه ایکس، انواع آرتیفکت‌ها و نویزها عواملی هستند که بر روی کیفیت تصاویر رادیوگرافی تأثیر می‌گذارند. در مواردی ممکن است آن‌چنان کیفیت تصاویر را خراب کنند که نیاز به تصویربرداری مجدد باشد و این امر باعث می‌شود دز دریافتی بیمار افزایش یابد. امروزه هوش مصنوعی پیشرفت‌های چشمگیری را در زمینه‌های مختلف داشته است. یادگیری عمیق یکی از شاخه‌های هوش مصنوعی است که به‌طور گسترده در تصویربرداری‌های پزشکی مورد استفاده قرار می‌گیرد. در این مقاله از شبکه مولد تخاصمی به عنوان یکی از قدرتمندترین مدل‌های شبکه عصبی موجود، برای بهبود رزولوشن، کاهش نویز و آرتیفکت تصاویر رادیوگرافی قفسه سینه استفاده شده است. مقدار کمیت‌های RMSE، PSNR و SSIM برای 150 تصویر محاسبه گردیده است که میانگین آن‌ها به ترتیب برابر 66/4، 92/34 و 923/0 است. این نتایج نشان می‌دهد که شبکه آموزش داده شده از توانایی بالایی برای بازسازی تصاویر برخوردار است و این قابلیت را دارا است که رزولوشن تصاویر رادیوگرافی قفسه سینه را بهبود دهد و آن‌ها را از لحاظ تشخیصی ارزشمندتر کند. همچنین در مواردی که کیفیت تصاویر به هر دلیلی پایین باشد، نیاز به تصویربرداری مجدد نخواهد بود و بیمار دز اضافی ناشی از تصویربرداری مجدد دریافت نمی‌کند.
کلیدواژه‌ها
بهبود رزولوشن؛ شبکه مولد تخاصمی؛ رادیوگرافی؛ آرتیفکت؛ شبکه عصبی عمیق
مراجع
  1. Forum of International Respiratory Societies. The Global Impact of Respiratory Disease – 2nd ed. Sheffi eld, European Respiratory Society, 2017.
  2. W. Huda, R. B. Abrahams. Radiographic techniques, contrast, and noise in x-ray imaging. Amer. J. Roentgenology 204 (2) (2015) W126-W131.
  3. C. M. Shetty, A. Barthur, A. Kambadakone, N. Narayanan, R. Kv. Computed radiography image artifacts revisited. Amer. J. Roentgenology 196 (1) (2011) W37-W47.
  4. J. Ker, L. Wang, J. Rao, T. Lim. Deep learning applications in medical image analysis. IEEE Access 6 (2017) 9375-9389.
  5. Z. Ghasemi, P. Samadi Miandoab. Feasibility study of convolutional long short‑term memory network for pulmonary movement prediction in CT images. J. Biomed. Phys. Eng. (2021) I-XII.
  6. P. S. Miandoab, A. E. Torshabi, S. Nankali. Investigation of the optimum location of external markers for patient setup accuracy enhancement at external beam radiotherapy. J. Appl. Clin. Med. Phys. 17 (6) (2016) 32-43.
  7. E. E.-D. Hemdan, M. A. Shouman, M. E. Karar. Covidx-net: A framework of deep learning classifiers to diagnose covid-19 in x-ray images. arXiv: 2003. 11055 (2020).
  8. S. M. Lee, J. B. Seo, J. Yun, Y. -H. Cho, J. Vogel-Claussen, M. L. Schiebler, W. B. Gefter, E. J. Van Beek, J. M. Goo, K. S. Lee, Deep learning applications in chest radiography and computed tomography. J. Thorac. Imaging 34 (2) (2019) 75-85.
  9. T. Rahman, A. Khandakar, M. A. Kadir, K. R. Islam, K. F. Islam, R. Mazhar, T. Hamid, M. T. Islam, S. B. A. Kashem, Z. B. Mahbub, M. A. Ayari, M. E. H. Chowdhury. Reliable tuberculosis detection using chest X-ray with deep learning, segmentation and visualization. IEEE Access (8) (2020) 191586-191601.
  10. G. Zhang, Y. Xie, Y. Li, C. Shen, Y. Xia. Covid-19 screening on chest x-ray images using deep learning-based anomaly detection. arXiv: 2003. 12338 (2020).
  11. C. Ledig, L. Theis, F. Huszar, J. Caballero, A. Cunningham, Alejandro Acosta, A. Aitken, A.Tejani, J. Totz, Z. Wang, W. Shi. Photo-realistic single image super-resolution using a generative adversarial network. Proc. IEEE Conf. Comput. Vision Pattern Recognition (2017) 4681-4690.
  12. I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, Y. Bengio. Generative adversarial nets. Proceedings of the 27th International Conference on Neural Information Processing Systems 27 (2014) 2672-2680.
  13. K. Wang, C. Gou, Y. Duan, Y. Lin, X. Zheng, F.-Y. Wang. Generative adversarial networks: introduction and outlook. IEEE/CAA J. Automatica Sinica 4 (4) (2017) 588-598.
  14. K. He, X. Zhang, S. Ren, J. Sun. Deep residual learning for image recognition. Proc. IEEE Conf. Comput. Vision Pattern Recognition (2016) 770-778.
  15. K. Nasrollahi, T. B. Moeslund. Super-resolution: a comprehensive survey. Machine Vision Appl. 25 (6) (2014) 1423-1468.
آمار
تعداد مشاهده مقاله: 2,405
تعداد دریافت فایل اصل مقاله: 640