پ۲۵۶۰۸
per
طبقه بندی خودکار ناهنجاری مغزی در تصاویر mri با کمک یادگیری انتقالی
بیتا نوری
مهندسی برق و کامپیوتر
۱۴۰۰
۸۸ص.
سی دی
کارشناسی ارشد
مهندسی کامپیوتر گرایش رایان
۱۴۰۰/۰۶/۳۱
طبقه‌بندی تصاویر تومور، در تصاویر MRI مغزی یک پردازش برجسته است که می‌تواند تشخیص آسان‌تر تومور را فراهم کند و منجر به برنامه‌ریزی رادیوتراپی مؤثر می‌شود. درواقع ارائه و ساخت دستگاه‌های هوشمند پزشکی، می‌تواند به‌عنوان یک دستیار برای پزشکان جهت اطمینان و یا دستیار استفاده شود. گرچه در یک سری از موارد، اطمینان به روش‌های ارائه‌شده در سطحی بالا است که به‌طور مستقیم از چنین دستگاه‌هایی استفاده می‌شود. در چند دهه اخیر، چندین روش طبقه‌بندی برای تومور مغزی از تصاویر مختلف مانند MRI، CT و PET ارائه‌شده است و تاکنون، روش پیشرفته طبقه‌بندی تومورهای مغزی به‌عنوان یک مسئله چالش‌برانگیز در جوامع علمی بوده است. دلیل این امر، وجود ابعاد توموری متنوع با مرزهای نامتناسب در تصاویر پزشکی است. برای پرداختن به این موضوع، این تحقیق یک روش طبقه‌بندی بهینه‌شده MRI باهدف تشخیص تومورها را ارائه می‌دهد. رویکردهای پیشنهادی در ابتدا عملیات پیش‌پردازش باهدف افزایش داده‌ها را با روشی به نام داده افزایی ارائه می‌دهند. روش‌های مذکور، به‌طور محسوسی میزان خطای پزشکی را کاهش داده است. روش پیشنهادی پایان‌نامه، در محیط نرم‌افزاری گوگل کلب شبیه‌سازی‌شده و کارایی آن در چهار شاخص دقت، صحت، ریکال و اف- اسکور بعد از فراخوانی شبکه‌ها و ترکیب خروجی برای ۱۰۰ ایپوک مورداجرا و ارزیابی قرارگرفته است. در این پژوهش با کمک دو رویکرد پیشنهادی به دسته‌بندی تصاویر MRI بر اساس نوع تومور مغزی پرداختیم. نتایج رویکرد اول پیشنهادی از موازی قرار دادن دو شبکه اینسپشن نسخه سه و رزنت مدل 101 حاصل گشت که در این معماری از تصمیم‌های دو شبکه استفاده‌شده و یک تصمیم واحد توسط مدل عرضه‌شده است. نتایج رویکرد پیشنهادی دوم از ترکیب دو شبکه رزنت 50 و رزنت 101 حاصل‌شده است که این معماری ویژگی‌های استخراج‌شده از دو شبکه نامبرده را ترکیب می‌کند و یک تصمیم واحد می‌گیرد. بررسی یافته‌ها نشان داد که با رویکرد پیشنهادی اول، میزان دقت تشخیص را تا میانگین ۸۰/۹۶ درصد افزایش دادیم و به میانگین صحت: 97%، ریکال: 97/25 دست‌یافتیم. این نتایج درروش پیشنهادی دوم شامل میانگین دقت: 95%، صحت: 97%، ریکال: 97/25 بوده است. پس می‌توان گفت رویکردهای پیشنهادی، توانسته است درزمینه طبقه‌بندی ناهنجاری مغزی، نتایج مطلوب داشته که نسبت به روش‌های مشابه پیشین، برتری عملکردی را نشان می‌دهد.
Aplication of Deep Transfer Learning For Automated Brain Abnormality Classification Using Mr Images
نوری
بیتا
تهيه کننده
صالح پور
اقدسی
پدرام
سید هادی
استاد راهنما
استاد مشاور
تبریز
