تولید شرطی تصاویر پزشکی برای افزایش دقت دستەبند توسط مدل های مولد شرطی ژرف
نام نخستين پديدآور
زینب یاسمنی گمچی
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
مهندسی برق وکامپیوتر
تاریخ نشرو بخش و غیره
۱۴۰۲
مشخصات ظاهری
نام خاص و کميت اثر
۷۵ص.
مواد همراه اثر
سی دی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسی کامپیوتر، گرایش هوش مصنوعی و رباتیکز
زمان اعطا مدرک
۱۴۰۲/۰۶/۰۸
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
در دههی اخیر با ظهور شبکههای عصبی ژرف، در زمینهی دستهبندی تصاویر، پیشرفت شایانی صورت گرفته است. الگوریتمهای مختلف پردازش تصویر، به خصوص دستهبندی در صنایع و زمینههای مختلف اهمیت و کاربردهای متنوعی دارند. در حوزهی پزشکی با استفاده از پردازش تصویر، روند تشخیص بیماری به صورت خودکار انجام میشود و امروزه در بسیاری از مراکز درمانی و بیمارستانی از مدلهای دستهبندی برای شناسایی و تشخیص بیماریهای قلبی، انواع مختلف سرطان و غیره استفاده میشود. در حوزهی پزشکی به دلیل قوانین مربوط به حفظ حریم خصوصی اشخاص، در اختیار داشتن تعداد زیادی داده بسیار دشوار است. لذا یکی از مشکلات اساسی و رایج هنگام آموزش مدلهای یادگیری ژرف با دادههای محدود، رخداد بیشبرازش است. یک راه حل ساده برای مواجهه با چنین مشکلاتی، دادهافزایی است.پارامترهای روشهای رایج دادهافزایی باید متناسب با هر مجموعهداده تعیین شوند. این نوع روشها صرفاً تغییرات محدودی روی تصاویر اعمال میکنند. روش دیگری برای دادهافزایی که دادههایی ساختگی هم توزیع با دادههای اصلی تولید میکند، استفاده از مدل مولد است. دستهای از این مدلها به نام شبکههای مولد تخاصمی سبک وجود دارند که خروجی متناسب با شرط تولید میکنند.در این پژوهش، با بررسی مسئلهی دستهبندی تصاویر چشم پزشکی و با تاکید بر چالشهای گفته شده، از شبکهی مولد تخاصمی سبک برای دادهافزایی تصاویر استفاده میکنیم. همچنین با بهرهگیری از ایدههای متنوع موجود و جدید در ساختار شبکهی مولد تخاصمی سبک و فرآیند آموزش آن، تغییراتی ایجاد میکنیم. سپس با بررسی معیارهای ارزیابی، عملکرد شبکهی مولد تخاصمی و مدل دستهبند را روی مجموعهدادهی چشم پزشکی میآزماییم. با انجام آزمایشات متعدد، نتیجه میگیریم که مدل مولد پیشنهادی به عملکرد قابلقبولی در تولید تصاویر دست یافته و همچنین دادهافزایی توسط این مدل موجب افزایش دقت دستهبند شده است.
متن يادداشت
In the last decade, with the emergence of deep neural networks, there has been great progress in the field of image classification. Different image processing algorithms, especially classification, have various importance and applications in different industries and fields. In the field of medicine, by using image processing, the disease diagnosis process is done automatically, and today in many medical centers and hospitals, classification models are used to identify and diagnose heart diseases, different types of cancer, etc. In the field of medicine, it is very difficult to have a large amount of data due to privacy laws. Therefore, one of the basic and common problems when training deep learning models with limited data is overfitting. A simple solution to face such problems is data augmentation.The parameters of common data augmentation methods should be determined according to each data set. These types of methods only apply limited changes to images. Another method for data augmentation that produces synthesis data with the same distribution as the original data is to use a generative model. There is a class of these models called style generative adversarial networks that produce output according to the condition.In this research, by examining OCT images classification and emphasizing the mentioned challenges, we use the style generative adversarial network for image data augmentation. Also, by taking advantage of various existing and new ideas, we make changes in the structure of the style adversarial generator network and its training process. Then, by examining the evaluation metrics, we test the performance of the style generative adversarial network and the classification model on the OCT dataset. By conducting numerous tests, we conclude that the proposed generating model has achieved an acceptable performance in generating images and also data augmentation by this model has increased the classification accuracy.
عنوانهای گونه گون دیگر
عنوان گونه گون
Conditional Medical Image Generation to increase classifier accuracy using Deep Conditional Generative Models
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )