دانشگاه رازی

سکته مغزی ایسکمیک یکی از مهم‌ترین علل ناتوانی و مرگ‌ومیر در جهان است و تعیین دقیق ناحیه ضایعه در تصاویر تشدید مغناطیسی مغز (MRI) نقش مهمی در تشخیص، برنامه‌ریزی درمان و ارزیابی شدت آسیب مغزی دارد. با وجود دقت بالای تصویربرداری تشدید مغناطیسی در نمایش ضایعات ایسکمیک، قطعه‌بندی دستی این نواحی فرایندی زمان‌بر، وابسته به تجربه متخصص و مستعد خطای بین ناظران است. ازاین‌رو، توسعه روش‌های خودکار مبتنی بر یادگیری عمیق می‌تواند نقش موثری در افزایش سرعت و دقت تحلیل تصاویر پزشکی داشته باشد. در این پژوهش، یک معماری دوبعدی مبتنی بر شبکه یو-نت (U-Net) با عنوان قطعه‌بندی ضایعات ایسکمیک سکته مغزی در تصاویر MRI با استفاده از ترکیب مکانیزم توجه و تقارن در شبکه عمیق UNet   ارائه شده است. همچنین، به‌منظور بررسی محدودیت‌ها و قابلیت تعمیم مدل در شرایط تصویربرداری متفاوت، عملکرد آن روی یک مجموعه‌داده مبتنی بر تصاویر CT به‌صورت تکمیلی و مستقل ارزیابی شده است. در مدل پیشنهادی، ساختار پایه U-Net با دو ماژول اصلی تقویت شده است: ماژول استخراج و تقویت ویژگی‌های زمینه‌ای (CFE) برای برجسته‌سازی ویژگی‌ها، کاهش اثر نویز، و ماژول توجه تقارن‌آگاه یا توجه تقویت‌شده با تقارن (SEA) برای بهره‌گیری از تقارن نسبی نیمکره‌های مغز و شناسایی بهتر ناهنجاری‌های یک‌طرفه. تصاویر ورودی پس از پیش‌پردازش، تغییر اندازه به 256×256 پیکسل، نرمال‌سازی شدت پیکسل‌ها و آماده‌سازی ماسک‌های دودویی، وارد شبکه شدند. همچنین برای آموزش مدل از تابع زیان ترکیبی شامل زیان دایس (Dice Loss) و زیان فوکال (Focal Loss) استفاده شد تا هم همپوشانی ناحیه ضایعه با ماسک واقعی افزایش یابد و هم اثر عدم توازن میان ناحیه ضایعه و پس‌زمینه کاهش پیدا کند. عملکرد مدل پیشنهادی روی دو مجموعه‌داده ISLES 2022 وASID   ارزیابی شد و نتایج آن با روش‌های موجود مقایسه گردید. نتایج به‌دست‌آمده روی مجموعه‌داده ISLES 2022، مدل پیشنهادی عملکرد بهتری نشان داد و به ضریب دایس برابر با 91.70 درصد، شاخص IoU برابر با 84.67 درصد، صحت یا دقت مثبت پیش‌بینی (Precision) برابر با 94.12 درصد، معیار بازخوانی (Recall) برابر با 89.39 درصد، دقت کلی (Accuracy) برابر با 99.78 درصد و شاخص هاسدورف (HD95) برابر با 9.37 پیکسل دست یافته است. مجموعه‌داده ASID نشان داد که مدل پیشنهادی به ضریب دایس برابر با 80.90 درصد، شاخص اشتراک بر اجتماع (IoU) برابر با 75.10 درصد، صحت برابر با 88.02 درصد، بازخوانی برابر با 81.28 درصد و دقت کلی برابر با 99.69 درصد است. نتایج حاصل نشان می‌دهد که ترکیب ماژول تقویت ویژگی‌های زمینه‌ای و مکانیزم توجه تقارن‌آگاه در معماری U-Net می‌تواند موجب بهبود معیارهای قطعه‌بندی، افزایش همپوشانی با ماسک مرجع و بازسازی دقیق‌تر مرز ضایعات ایسکمیک شود. بنابراین، روش پیشنهادی می‌تواند به‌عنوان یک چارچوب موثر و قابل توسعه برای سامانه‌های کمک‌تشخیصی هوشمند در تحلیل تصاویر MRI مغز مورد استفاده قرار گیرد. واژگان کلیدی: سکته مغزی ایسکمیک، قطعه‌بندی تصویر، تصویربرداری تشدید مغناطیسی، یادگیری عمیق، مجموعه‌داده ISLES 2022، مجموعه‌داده ASID