DeepCPC, deep learning model for colorectal polyps classification

العناوين الأخرى

DeepCPC : نموذج التعلم العميق لتصنيف سلائل أورام القولون و المستقيم

مقدم أطروحة جامعية

Taha, Dima Hussein Fakhri

مشرف أطروحة جامعية

al-Zubi, Ahmad Ghazi

الجامعة

جامعة الشرق الأوسط

الكلية

كلية تكنولوجيا المعلومات

القسم الأكاديمي

قسم علم الحاسوب

دولة الجامعة

الأردن

الدرجة العلمية

ماجستير

تاريخ الدرجة العلمية

2020

الملخص العربي

سرطان القولون و المستقيم هو مرض صامت يهاجم دون سابق إنذار، و لكن في كثير من الحالات، يكون العلاج ممكنا عند اكتشافه مبكرا .

تلعب اختبارات الفحص دورا مهما في تحديد الأورام الحميدة قبل أن تصبح سرطانية، حيث يعتبر تنظير القولون أكثر فعالية مقارنة بالاختبارات الأخرى.

على مدى العقود القليلة الماضية، كان تنظير القولون و المستقيم بمساعدة الكمبيوتر موضوعا للبحث، و حقق تقدما كبيرا.

و مع ذلك، لا يزال التصنيف التلقائي للأورام في الوقت الفعلي يمثل تحدي صعب، بسبب استخدام الأساليب اليدوية التي لا توفر خصائص تمييزية للصورة.

أظهرت الشبكات العصبية التلافيفية العميقة (DCNN) ثورة مهمة أثرت بشكل إيجابي على العديد من المجالات بما في ذلك تصنيف الصور في مجال صور تنظير القولون، يمكن أن تؤثر العديد من القيود على تصنيف الأورام المستندة إلى DCNN خاصةً عدم وجود كمية كافية من عينات التدريب .للمرضى، و عدم كفاية وقت التدريب، و الموارد اللازمة للشبكات العصبية.

في هذه الرسالة، تهدف إلى تطوير نموذج التعلم العميق لتصنيف الأورام الحميدة في القولون و المستقيم على أساس الخصائص التمييزية المستخرجة من الشبكات العصبية التلافيقية العميقة و الذي سيشار اليه باسم DeepCPC على وجه التحديد، تستخدم بعض نماذج الشبكات العصبية التلاقيفية التي تم تدريبها مسبقًا على الصور ذات الأغراض العامة، لتطبيق مخطط نقل التعلم في نظام تصنيف الأورام الحميدة.

تم تحقيق ذلك من خلال ربط مجموعة من خصائص الصور التمييزية المستخرجة من تفعيل الطبقات التلاقيقية ثم ضبط بنية DeepCPC على صور الاورام من خلال إجراء تدريب كامل من طرف إلى آخر.

يتكون نموذج DeepCPC من ثلاثة مكونات رئيسية : الطبقات المنخفضة المضبوطة بدقة، و ناقل الصور المسلسل، و الطبقات العلوية المتصلة بالكامل.

تستخدم مجموعة بيانات CVC-ClinicDB لتقييم نموذج DeepCC، و لكن يجب تطبيق المزيد من استراتيجيات استخراج التصحيح و زيادة الصورة لإثراء التدريب بعينات أكثر من الورم.

أظهرت النتائج التجريبية ان DeepCPC يمكن أن يحقق دقة تبلغ 98.4%، مما يؤكد على كفاءته في مساعدة الأطباء بالمنظار لتصنيف الأورام الحميدة و تقليل معدل فقد ورم القولون و المستقيم.

الملخص الإنجليزي

Colorectal cancer is a silent disease that attacks without warning, but in many cases, treatment is possible when discovered early.

Screening tests play an important role in identifying polyps before they become cancerous, where colonoscopy is more effective compared to other tests.

Over the past few decades, the computer-aided colorectal polyp in colonoscopy has been the subject of research and achieved significant advances.

However, the automatic polyp classification in real-time is still a challenging problem due to utilizing the hand-crafted methods that do not provide discriminating image features.

The advanced deep convolutional neural networks (DCNN) have shown a significant revolution that positively influenced many fields including image classification.

In the domain of colonoscopy images, many limitations could affect the DCNN-based polyp’s classification especially the lack of sufficient amount of patients' training samples, inadequate training time, and needed resources for neural networks.

The work in this thesis aims to develop a deep learning model for classifying colorectal polyps (referred to as DeepCPC), based on discriminative features extracted from deep conventional neural networks.

Specifically, some CNN models pretrained has been used on general-purpose images to apply a transfer learning scheme in the polyp’s classification system.

This is achieved by concatenating a set of discriminating image features extracted from the activations of convolutional layers, then improved feature representations by finetuning a proposed CNN architecture on polyps images through a complete end-to-end training procedure.

The proposed model consists of three main components: lower fine-tuned layers, concatenated image vector, and fully-connected top layers.

The CVCClinicDB dataset is used to evaluate the Deep CPC model, but further patch extraction and image augmentation strategies are applied to enrich the training procedure with more sufficient polyp’s samples.

The experimental results show that the proposed CNN model can achieve an accuracy of 98.4%, which emphasize its efficiency for helping endoscopic physicians to classify polyps and decrease the colorectal polyp miss rate.

التخصصات الرئيسية

الطب البشري
تكنولوجيا المعلومات وعلم الحاسوب

الموضوعات

• القولون
• المستقيم
• الأورام الخبيثة
• السرطان(مرض)

عدد الصفحات

69

قائمة المحتويات

• APA
• MLA
• AMA

لغة النص

الإنجليزية

نوع البيانات

رسائل جامعية

رقم السجل

BIM-970871