جلسه دفاع پایان نامه: آراس راستی، گروه مکانیک بیوسیستم
جلسه دفاع پایان نامه آراس راستی با عنوان «توسعه الگوریتم پردازش تصویر با قابلیت جداسازی سلول‌های خونی به کمک ویژگی‌های رنگ و مورفولوژی» ۴ مهرماه ۱۴۰۵ برگزار می شود.
ارائه کننده : آراس راستی
استاد راهنما: دکتر علیرضا مهدویان
استاد مشاور : دکتر رضوان صالحی، دکتر بناکار
تاریخ : ۱۴۰۵/۰۷/۰۴
ساعت : 09:00 تا 11:00
مکان: سالن سمینار 2
چکیده:
در سال‌های اخیر، بهره‌گیری از سیستم‌های بینایی ماشین و هوش مصنوعی در شناسایی، سنجش خلوص و جداسازی خودکار اجزای مختلف خون اهمیت چشمگیری یافته است. تشخیص دستی سلول‌های خونی زیر میکروسکوپ نیازمند صرف زمان، هزینه و تخصص بالا بوده و با چالش‌هایی همچون خطای انسانی مواجه است. در این پژوهش، الگوریتمی جامع بر پایه پردازش تصویر، یادگیری ماشین و یادگیری عمیق جهت تشخیص و جداسازی سلول‌های قرمز خون سالم و کامل توسعه یافته و ارزیابی شده است.
مجموعه‌داده مورد استفاده شامل ۳۰۰۰ تصویر میکروسکوپی از سلول‌های خونی رنگ‌آمیزی‌شده با روش گیمسا و تصاویر معتبر اینترنتی است. در رویکرد یادگیری ماشین، پس از انجام مراحل پیش‌پردازش (ارتقای کنتراست به روش هیستوگرام تطبیقی و حذف نویز با عملگرهای ریخت شناسی)، قطعه‌بندی اجزای همبند انجام گرفت. سپس، ویژگی‌های هندسی (مانند مساحت، محیط و گردی)، ریخت شناسی هسته، موقعیتی (فاصله مرکز هسته تا مرکز سلول) و شاخص‌های رنگی (کانال‌های RGB و نسبت‌های رنگی دیواره و هسته) استخراج شد. پس از اعمال شاخص‌های کنترلی، ۳۲,۸۵۳ نمونه سلولی حاصل گردید. رتبه‌بندی و تحلیل ویژگی‌های مؤثر با الگوریتم MRMR انجام شد و ۱۶ مدل یادگیری ماشین در سه گروه اصلی SVM، Ensemble و Neural Network آموزش داده شدند. در رویکرد یادگیری عمیق نیز ۱۶ حالت مختلف از الگوریتم‌های YOLOv8n و YOLOv8s در اندازه تصویرها و بهینه‌سازهای مختلف AdamW و SGD برچسب‌گذاری، آموزش و در سطح شیء (IoU = 0.5) ارزیابی شدند.
نتایج مقایسه رویکردهای مختلف نشان داد که ترکیب ویژگی‌های رنگی، ریخت‌شناسی و موقعیتی، قدرت تمایز بالای در تفکیک سلول‌های هدف ایجاد می‌کند. در میان تمامی مدل‌های ارزیابی‌شده در هر دو رویکرد یادگیری ماشین و یادگیری عمیق، مدل شبکه عصبی سه لایه (Trilayered Neural Network) بر پایه ویژگی‌های استخراج‌شده، بهترین عملکرد را به خود اختصاص داد. این مدل برتر با حداقل‌سازی خطاهای نوع اول (مثبت کاذب) و نوع دوم (منفی کاذب)، موفق به دستیابی به صحت 25/%98 و دقت 79/%97 گردید؛ همچنین میزان خطای نوع اول (مثبت کاذب) در این مدل به کمتر از 5/%0 کاهش یافت که نشان‌دهنده توانایی بالای آن در تفکیک صحیح سلول‌های هدف و کمینه‌سازی تشخیص‌های اشتباه در مقایسه با سایر روش‌ها است. این سیستم خودکار می‌تواند به عنوان گامی مؤثر در توسعه تجهیزات فنی جداسازی فرآورده‌های خونی دامی و آزمایشگاهی مورد استفاده قرار گیرد.