Loading...

Detecting Metastatic Lung Cancer and Its Lesions From CT-Scan Images Using Deep Interpretable Networks

Rasekh, Ali | 2021

789 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 54663 (19)
  4. University: Sharif University of Technology
  5. Department: Computer Engineering
  6. Advisor(s): Rabiee, Hamid Reza
  7. Abstract:
  8. Using automated assistants in medical applications has been increased in recent years. One of the most popular methods are artificial intelligence and deep learning methods which are specifically used in medical images analysis. Using these methods can improve the diagnosis accuracy, while performing in a faster time. So these methods can reduce the economical costs, error rate, and response time. But one important challenge in deep learning methods, is the interpretability of neural networks. In this research we focused on introducing an interpretability method for our pixel-wise segmentation network which is applied to the lung nodules dataset. In this research we first implemented a segmentation method to segment metastatic lung nodules. Then checked different definitions of interpretability of segmentation networks by dividing the task into three sub-problems. The results provide useful information about both positive and negative effects of different pixels and lung areas on nodule segmentation.
  9. Keywords:
  10. Metastasis ; Cancer ; Deep Learning ; Neural Network ; Interpretability ; CT Scan ; Medical Images ; Lung Cancer

 Digital Object List

 Bookmark

  • فصل مقدمه
    • توضیح مفاهیم
      • دستیار پزشکی
      • ضایعات سرطانی ریوی
      • تصاویر Computed Tomography
      • تفسیرپذیری
    • هدف مسئله
    • کاربردهای مسئله
    • چالش‌های مسئله
      • مرز غیرشفاف غده‌ها و وجود ضایعات دیگر
      • اندازه بسیار کوچک غده‌ها
      • قالب داده‌های مورد استفاده
      • سه بعدی بودن داده‌ها
      • ابعاد بالای داده‌ها و وجود جزئیات کوچک در تصاویر
    • جمع‌بندی
    • توضیح مسئله و اهمیت آن
  • فصل پژوهش‌های پیشین
    • تشخیص غده
      • پیش‌پردازش
      • تشخیص نواحی مطلوب احتمالی
      • روش‌های بر اساس حد آستانه
      • روش‌های بر اساس مناطق تصویر
      • الگوریتم‌های بر اساس خوشه‌بندی
      • روش‌های دو یا چندگانه ترکیبی
      • روش‌های بر اساس شبکه‌ عصبی با برش‌‌های دو بعدی
      • روش‌های بر اساس شبکه عصبی با برش‌های سه بعدی
      • روش‌های مختلف برای کاهش خطاهای مثبت
    • تفسیرپذیری
      • Saliency Map
      • Grad-CAM
      • Deep LIFT
      • روش‌های خاص منظوره با برچسب‌های ترکیبی
  • فصل روش پیشنهادی
    • ساختار شبکه
    • آموزش شبکه
    • تفسیرپذیری تجمیع‌ شده
      • تفاوت تفسیرپذیری دسته‌بندی و قطعه‌بندی
      • بررسی تک‌ پیکسل‌ها برای انتخاب الگوریتم مناسب
      • تقسیم تفسیرپذیری قطعه‌بندی به سه زیر مسئله
      • جمع‌بندی تفسیرپذیری در قطعه‌بندی
  • فصل نتایج
    • عملکرد شبکه قطعه‌بندی
      • مجموعه دادگان
      • آموزش شبکه
    • نتایج به دست آمده تفسیرپذیری قطعه‌بندی
      • تفسیرپذیری برای تمامی پیکسل‌های یک غده
      • تفسیرپذیری برای نقاط مثبت اشتباه
      • بررسی تفسیرپذیری برای نقاط منفی اشتباه
  • فصل جمع بندی
    • جمع‌بندی این پژوهش و نتایج
    • کارهای آتی
      • تعمیم به قطعه‌بندی چند دسته‌ای
      • تمرکز بر روی اثر مکان غده در قطعه‌بندی آن
      • تفسیرپذیری در یادگیری بدون نظارت
  • مراجع
  • واژه‌نامه فارسی به انگلیسی
  • واژه‌نامه انگلیسی به فارسی
...see more