Advances in Skin, Wound and Tissue Repair

fa بهبود کیفیت تصاویر پخش نوری از تومور سینه با استفاده از هوش مصنوعی Image quality improvement of diffuse optical tomography of breast tumor using artificial intelligence عمومى General پژوهشي Research <div style="text-align: justify;">  مقدمه: تصویربرداری پخش نوری یک تکنیک تصویربرداری غیرتهاجمی و غیرمخرّب است که از امواج الکترومغناطیسی در محدوده‌ی طول موجیِ فروسرخ نزدیک برای اندازه‌گیری ویژگی‌های اپتیکی بافت زیستی نظیر جذب و پراکندگی از مرزهای محیط استفاده می‌کند. عواملی چون پراکندگی بسیار زیاد نور در بافت‌های زیستی و تعداد محدود اندازه‌گیری‌ها سبب شده مسئله‌ی بازسازی تصویر در این تکنیک چالش‌برانگیز شود. اخیراً شبکه‌های عصبی ژرف به حوزه بازسازی تصویر وارد شده‌اند و توانسته‌اند عملکرد بسیار خوبی از خود نشان دهند. در این پژوهش، روشی جدید برپایه‌ی یادگیری ژرف برای حلّ این مسئله ارائه شده است. </div> <div style="text-align: justify;">روش بررسی: برای پیاده‌سازی این روش با استفاده از شبیه‌سازی رایانه‌ای، بافت‌هایی مکعبی‌شکل با ابعاد<m:omath></m:omath><m:omath><m:r> 64×64×64 mm</m:r></m:omath>با تومورهایی در عمق 21 تا 42 میلی‌متری ایجاد گردید. برای اندازه‌گیری‌ از مرز بافت، شبکه‌ای <m:omath></m:omath><m:omath><m:r>5×5</m:r></m:omath>  از منابع و آشکارسازها در طرفین بافت تعبیه کردیم. برای انجام عمل بازسازی، دو شبکه عصبی ژرف با معماری کاملاً متصّل و کانوولوشنی دوبعدی ایجاد نمودیم.</div> <div style="text-align: justify;"></div><div style="text-align: justify;"></div><div style="text-align: justify;"></div><div style="text-align: justify;"></div><div style="text-align: justify;"></div><div style="text-align: justify;"></div> <div style="text-align: justify;"></div> <div style="text-align: justify;">یافته‌ها: برای سنجش کارایی این الگوریتم‌ها، عملکرد آن‌ها را با یکی از روش‌های کلاسیک برپایه‌ی مدل یعنی روش گرادیان مزدوج مقایسه کردیم. برای مقایسه‌ی این روش‌ها از معیارهایی چون میانگین خطای مطلق (MAE)، خطای حداقل مربّعات (MSE)، بیشینه سیگنال به نویز ((PSNR و شاخص شباهت ساختاری  (SSIM)استفاده شد. نتایج به دست آمده نشان داد که   MSEبه صورت میانگین 86 درصد و MAE تا 81 درصد کاهش داشته و PSNR  2 برابر افزایش یافته‌ است. نتیجه‌گیری: نتایج این پژوهش نشان داد که استفاده از شبکه‌های مصنوعی ژرف در مقایسه با روش‌های بازسازی کلاسیک جهت یازسازی تصاویر پخش نوری می‌تواند موجب بهبود کیفیت تصاویر به دست‌آمده شود.   </div> <div style="text-align: justify;"></div><div style="text-align: justify;"></div> <div style="text-align: justify;"> </div> <div style="text-align: justify;"></div><div style="text-align: justify;"></div><div style="text-align: justify;"></div> <div style="text-align: justify;">Introduction: Diffuse optical tomography (DOT) is a non-invasive imaging technique using near-infrared electromagnetic waves to measure the optical properties of biological tissue from boundary measurement. Image reconstruction in this method is an inverse, ill-posed, and nonlinear problem. Traditional optimization methods can't overcome explicitly this problem. Recently, deep neural networks were used in image reconstruction, and they have achieved significant improvement. In this research, we apply neural network algorithms to reconstruct the absorption coefficient distribution of 3-dimensional phantoms. We show that deep learning algorithms has a reliable performance in reconstructing DOT images in comparison to the model-based method. Methodology: We generate 17000 digital cubic phantoms in size of 64×64×64 mm3 including tumors at depth of 21 to 45 mm, with distinct size, shape, various places and absorption coefficients. An imaging system including 25 sources and detectors were considered up and down of tissue. We propose two different neural network architectures: a fully connected layer and a convolutional network. Finding: The performance of networks was evaluated by four metrics including mean absolute error (MAE), mean squared error (MSE), peak signal to noise ratio (PSNR), and structural similarity index metric (SSIM). Result shows, using fully connected layer and convolutional neural network, MAE 86% and MSE 81% were reduced and PSNR was doubled. Result: We show that deep learning has a reliable performance on reconstructing DOT image in comparison of model-based method.</div> تصویربرداری زیستی نوری, تصویربرداری پخش نوری, یادگیری ماشین, یادگیری ژرف, هوش مصنوعی, مسئله معکوس, بازسازی تصویر Optical tomography, Diffuse optical tomography, Machine learning, Deep learning, Artificial intelligence, Inverse problem, Image reconstruction 22 31 http://icml.ir/browse.php?a_code=A-10-151-144&slc_lang=fa&sid=1 Anis Meysami انیس میسمی 1050031947532846004569 1050031947532846004569 No Optical Bio-imaging Lab, Laser and Plasma Research Institute, Shahid Beheshti University, Tehran, Iran دانشجوی کارشناسی ارشد فوتونیک، گروه فوتونیک، آزمایشگاه تصویربرداری نوری زیستی، پژوهشکده لیزر و پلاسما، دانشگاه شهید بهشتی، تهران، ایران Mohammad Ali Ansari محمدعلی انصاری m_ansari@sbu.ac.ir 1050031947532846004570 1050031947532846004570 Yes Optical Bio-imaging Lab, Laser and Plasma Research Institute, Shahid Beheshti University, Tehran, Iran استادیار گروه فوتونیک، آزمایشگاه تصویربرداری نوری زیستی، پژوهشکده لیزر و پلاسما، دانشگاه شهید بهشتی، تهران، ایران