مجله علمی رایانش نرم و فناوری اطلاعات

مجله علمی رایانش نرم و فناوری اطلاعات

بخش‌بندی خودکار ضایعات مولتیپل اسکلروزیس در تصاویر MRI با استفاده از شبکه U-Net مانده‌ای تطبیقی

نوع مقاله : مقاله پژوهشی فارسی

نویسندگان
علی فهمی جعفرقلخانلو 1
موسی شمسی 2
مهدی بشیری باویل 2
1 گروه علوم مهندسی، دانشکده فناوری‌های نوین، دانشگاه محقق اردبیلی، نمین، ایران.
2 گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران.
10.22034/jscit.2026.550141.2177
چکیده
بیماری مولتیپل اسکلروزیس (MS) یک اختلال مزمن و زوال عصبی سیستم عصبی مرکزی بوده که بخش‌بندی دقیق مرز ضایعات MS نقش کلیدی در تشخیص زودهنگام، ارزیابی شدت بیماری و پایش روند درمان دارد. بخش‌بندی دقیق مرز ضایعات MS به‌دلیل توزیع نابرابر نمونه‌های ضایعه و پس‌زمینه، اندازه کوچک ضایعات و پروتکل‌های تصویربرداری ناهمگون موضوعی چالش‌برانگیز است. با وجود دقیق بودن بخش‌بندی دستی، این رویکرد فرآیندی زمانبر بوده و نیازمند تخصص بالا است. روش‌های خودکار فعلی در شناسایی ضایعات کوچک MS عملکرد ضعیفی داشته و تعمیم‌پذیری آن‌ها برای داده‌های اخذ شده در شرایط تصویربرداری متفاوت محدود است. برای حل چالش‌های موجود، معماری پیشنهادی ARU-Net، مبتنی بر رویکرد ResNet و U-Net، با ترکیب استخراج پچ تطبیقی و بهینه‌سازی خطای ترکیبی توسعه داده شد، به‌گونه‌ای که رویکرد نمونه‌برداری احتمالی عدم تعادل کلاس را کاهش می‌دهد. اتصالات باقی‌مانده جریان گرادیان را بهبود بخشیده و تابع خطای ترکیبی دایس-فوکال حساسیت مدل به ضایعات کوچک را افزایش می‌دهد. معماری پیشنهادی بر روی پایگاه داده MSLesSeg شامل ۱۱۵ توالی FLAIR از ۷۵ بیمار ارزیابی شد. نتایج آزمایش نشان می‌دهد که معماری پیشنهادی با نرخ تشخیص صحیح به ازای هر ضایعه 79/92%، دقت 72/77%، حساسیت 72/22% و دایس 72/49% نسبت به معماری U-Net سنتی و سایر روش‌های مقایسه شده عملکرد بهتری در شناسایی دقیق و حساس ضایعات MS دارد. ادغام نمونه‌برداری تطبیقی با معماری U-Net مانده‌ای چالش‌های بنیادی بخش‌بندی ضایعات MS را به‌طور مؤثر مورد خطاب قرار می‌دهد.
کلیدواژه‌ها
استخراج پچ تطبیقی
یادگیری عمیق
مولتیپل اسکلروزیس
بخش‌بندی تصاویر پزشکی
شبکه باقی مانده
تصویربرداری عصبی
[1] F. Guarnera, A. Rondinella, E. Crispino, G. Russo, C. Di Lorenzo, D. Maimone, ... and S. Battiato, “MSLesSeg: baseline and benchmarking of a new Multiple Sclerosis Lesion Segmentation dataset,” Scientific Data, vol. 12, no. 920, 2025. doi: https://doi.org/10.1038/s41597-025-05250-y.
[2] M. Popa, G. A. Vișa, and C. R. Șofariu, “PediMS: A Pediatric Multiple Sclerosis Lesion Segmentation Dataset,” Scientific Data, vol. 12, no. 1184, 2025. doi: https://doi.org/10.1038/s41597-025-05346-5.
[3] S. Valverde, M. Cabezas, E. Roura, S. González-Villà, D. Pareto, J. C. Vilanova, ... and X. Lladó, “Improving automated multiple sclerosis lesion segmentation with a cascaded 3D convolutional neural network approach,” NeuroImage, vol. 155, pp. 159-168, 2017. doi: https://doi.org/10.1016/j.neuroimage.2017.04.034.
[4] S. Roy, J. A. Butman, D. S. Reich, P. A. Calabresi and D. L. Pham, “Multiple sclerosis lesion segmentation from brain MRI via fully convolutional neural networks,” arXiv preprint arXiv:1803.09172, 2018. doi: https://doi.org/10.48550/arXiv.1803.09172.
[5] S. Aslani, M. Dayan, L. Storelli, M. Filippi, V. Murino, M. A. Rocca and D. Sona, “Multi-branch convolutional neural network for multiple sclerosis lesion segmentation,” NeuroImage, 196, 1-15, 2019. doi: https://doi.org/10.1016/j.neuroimage.2019.03.068.
[6] W. Wang, C. Chen, M. Ding, H. Yu, S. Zha and J. Li, “Transbts: Multimodal brain tumor segmentation using transformer,” In International conference on medical image computing and computer-assisted intervention, pp. 109-119, 2021. doi: https://doi.org/10.1007/978-3-030-87193-2_11.
[7] A. Hatamizadeh, Y. Tang, V. Nath, D. Yang, A. Myronenko, B. Landman, ... and D. Xu, “Unetr: Transformers for 3d medical image segmentation,” In Proceedings of the IEEE/CVF winter conference on applications of computer vision, pp. 574-584, 2022. doi: https://doi.org/10.1109/WACV51458.2022.00181.
[8] A. Hatamizadeh, V. Nath, Y. Tang, D. Yang, H. R. Roth, and D. Xu, “Swin unetr: Swin transformers for semantic segmentation of brain tumors in mri images,” In International MICCAI brainlesion workshop, pp. 272-284, 2021. doi: https://doi.org/10.1007/978-3-031-08999-2_22.
[9] H. Lu, Y. She, J. Tie and S. Xu, “Half-UNet: A simplified U-Net architecture for medical image segmentation,” Frontiers in neuroinformatics, vol. 16, 2022. doi: https://doi.org/10.3389/fninf.2022.911679.
[10] M. Sadeghibakhi, H. Pourreza, and H. Mahyar, “Multiple sclerosis lesions segmentation using attention-based CNNs in FLAIR images,” IEEE journal of translational engineering in health and medicine, vol. 10, pp. 1-11, 2022. doi: https://doi.org/10.1109/JTEHM.2022.3172025.
[11] A. Rondinella, E. Crispino, F. Guarnera, O. Giudice, A. Ortis, G. Russo, ... and S. Battiato, “Boosting multiple sclerosis lesion segmentation through attention mechanism. Computers in Biology and Medicine, vol. 161, pp. 107021, 2023. doi: https://doi.org/10.1016/j.compbiomed.2023.107021.
[12] A. Rondinella, F. Guarnera, O. Giudice, A. Ortis, G. Russo, E. Crispino, ... and S. Battiato, “Enhancing multiple sclerosis lesion segmentation in multimodal mri scans with diffusion models,” In 2023 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), pp. 3733-3740, 2023. doi: https://doi.org/10.1109/BIBM58861.2023.10385334.
[13] A. P. De Rosa, M. Benedetto, S. Tagliaferri, F. Bardozzo, A. D’Ambrosio, A. Bisecco, ... and F. Esposito, “Consensus of algorithms for lesion segmentation in brain MRI studies of multiple sclerosis,” Scientific Reports, vol. 14, no. 1, 2024. doi: https://doi.org/10.1038/s41598-024-72649-9.
‏[14] S. R. Hashemi, S. S. M. Salehi, D. Erdogmus, S. P. Prabhu, S. K. Warfield, and A. Gholipour, “Asymmetric loss functions and deep densely-connected networks for highly-imbalanced medical image segmentation: Application to multiple sclerosis lesion detection,” IEEE Access, vol. 7, pp. 1721-1735, 2018. doi: https://doi.org/10.1109/access.2018.2886371.
[15] E. Essa, D. Aldesouky, S. E. Hussein and M. Z. Rashad, “Neuro-fuzzy patch-wise R-CNN for multiple sclerosis segmentation,” Medical & Biological Engineering & Computing, vol. 58, no. 9, pp. 2161-2175, 2020. doi: https://doi.org/10.1007/s11517-020-02225-6.
[16] O. Ronneberger, P. Fischer and T. Brox, “U-net: Convolutional networks for biomedical image segmentation,” In International Conference on Medical image computing and computer-assisted intervention, pp. 234-241, 2015. doi: https://doi.org/10.48550/arXiv.1505.04597.
[17] K. He, X. Zhang, S. Ren and J. Sun, “Deep residual learning for image recognition,” In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 770-778, 2016. doi: https://doi.org/10.1109/CVPR.2016.90.
[18] N. Abraham and N.M. Khan, “A novel focal tversky loss function with improved attention u-net for lesion segmentation,” In 2019 IEEE 16th international symposium on biomedical imaging, pp. 683-687, 2019. doi: https://doi.org/10.1109/ISBI.2019.8759329.
[19] T. Y. Lin, P. Goyal, R. Girshick, K. He and P. Dollár, “Focal loss for dense object detection. In Proceedings of the IEEE international conference on computer vision, pp. 2980-2988, 2017. doi: https://doi.org/10.1109/ICCV.2017.324.
 
 
مجله علمی رایانش نرم و فناوری اطلاعات
دوره 15، شماره 2
تابستان- مرداد
تابستان 1405
صفحه 1-15