ارائه کننده: سینا درخشنده
استاد راهنما: دکتر علی محلوجی فر
استاد ناظر داخلی : دکتر زهرا بهمنی
استاد ناظر خارجی : دکتر حمید بهنام  ( دانشگاه علم و صنعت ایران )
تاریخ: 1402/01/30
مکان: آزمایشگاه پردازش سیگنال‌های پزشکی

چکیده :

قطعه‌بندی یکی از مهم ترین مراحل در پردازش تصویر است. قطعه‌بندی یک تصویر تکنیکی است که امکان جداسازی یک تصویر دیجیتال را به مناطق مختلف بر اساس ویژگی‌های مختلف پیکسل‌های تصویر فراهم می‌کند. به طور خاص، قطعه‌بندی تصاویر اولتراسوند پستان به طور گسترده برای شناسایی سرطان استفاده می شود. در نتیجه قطعه‌بندی تصویر، تشخیص زودهنگام یک بیماری از طریق تصاویر پزشکی به روشی بسیار موثر امکان پذیر است. با توجه به نویزهای مختلف اولتراسوند، از جمله نویز لکه‌ای، نسبت سیگنال به نویز کم، و ناهمگنی شدت، فرآیند قطعه‌بندی دقیق تصاویر پزشکی، مانند تصاویر اولتراسوند، هنوز یک کار چالش برانگیز است. در این تحقیق، ما یک روش جدید برای بهبود دقت و اثربخشی قطعه‌بندی تصاویر اولتراسوند پستان و اعصاب شبکه بازویی ارائه می‌کنیم. به طور دقیق تر، ما یک شبکه عصبی مبتنی بر U-Net و معماری رمزگذار -رمزگشا پیشنهاد می‌کنیم. با در نظر گرفتن U-Net به عنوان پایه، هر دو بخش رمزگذار و رمزگشا با ترکیب U-Net با سایر شبکه‌های عصبی عمیق Res-Net) و (MultiResUNet و معرفی یک رویکرد و بلوک جدید (Co-Block) توسعه می‌یابند که تا حد امکان ویژگی‌های سطح بالا و پایین را حفظ می‌کند. شبکه طراحی شده با استفاده از مجموعه داده‌های تصاویر اولتراسوند پستان و اعصاب بازویی ارزیابی می‌شود. با توجه به ارزیابی‌های گسترده در مجموعه داده‌های تصاویر اولتراسوند پستان، روش پیشنهادی ضایعات پستان را با دقت بیشتری نسبت به سایر روش‌های پیشرفته یادگیری عمیق قطعه‌بندی می‌کند. با تنها 88/8 میلیون پارامتر، روش پیشنهادی به ترتیب 88/76%، 5/71%، 3/90% و 4/97% در معیار‌های DSC، IoU،  AUC و ACC در مجموعه داده تصاویر اولتراسوند پستان به دست آورد و در مجموعه داده‌ تصاویر اعصاب بازویی، به ترتیب 5/75%، 5/73% و 2/79% در معیار‌های DSC، IoU و AUC به دست آورد.