ارائه کننده: آرین نظرزاده استاد راهنما: دکتر علی محلوجی فر استاد ناظر داخلی اول: دکتر بابک محمدزاده اصل استاد ناظر خارجی اول: دکتر حمید بهنام (دانشگاه علم و صنعت) تاریخ: ۱۴۰۳/۰۴/۰۴ ساعت: ۸:۳۰ تا ۱۰ مکان: آزمایشگاه دکتر محمدزاده

چکیده: در بیماری­ های التهابی پوست، بررسی لایه­ های پوست با استفاده از تصویربرداری پزشکی امری مهم جهت تشخیص و درمان است و تصویربرداری فراصوت این امر را ممکن­ می­ سازد. در بیماران دارای psoriasis و Atopic dermatitis، قطعه بندی دقیق لایه­ های پوست ارزیابی روند درمان را ممکن می‌­ سازد. بررسی لایه­ ی اپیدرم وSLEB   جهت تشخیص بسیار حائز اهمیت هستند، زیرا شکل و ظاهر آن­ ها نشان دهنده­ ی مشکلات مختلف پوست است. در فرآیند تشخیص پزشکی، قطعه بندی و بررسی تصویر توسط پزشک متخصص انجام می­ شود که این خود دارای محدودیت­ هاییاست، از جمله وقت گیر بودن و تکرارپذیر نبودن. اخیرا استفاده از تصویربرداری فراصوت در فرآیند پزشکی پوست بیشتر شده است، اما ابزارهای خودکار هوش مصنوعی به اندازه­ ی کافی برای آن توسعه داده نشده ­ اند. در این تحقیق، با استفاده از یادگیری عمیق، به قطعه بندی تصاویر فراصوت پوست با استفاده از یک شبکه­ ی عصبی مصنوعی عمیق با معماری U-Net می­ پردازیم. پایگاه داده اصلی شامل ۳۸۰ تصویر التراسوند پوست افراد دارای بیماری پوستی اتهابی (۷۷ تصویر psoriasis و ۳۰۳ تصویر Atopic dermatitis) است. هدف، قطعه بندی دو لایه­ ی epidermis و SLEB در تصاویر پوست است. برای هر تصویر یک ماسک متناظر قطعه بندی شده داریم که همراه با هم به شبکه داده می­ شوند. قسمت encoder شبکه­ ی U-Net با استفاده از back bone‌هاییمانند VGG، MobileNet و ResNext تغییر کرده­ است. این encoder‌ها با وزن­ های پایگاه داده­ ی imagenet در معماری قرار گرفته­ اند. در نهایت شبکه برای هر داده­ ی تست، تصویری به عنوان خروجی به ما می­ دهد که آن را با ماسک مقایسه کرده و نتیجه را در غالب معیار Dice index اعلام می­ کنیم. شبکه با MobileNet V۲ encoder بهترین نتیجه­ را حاصل کرد؛ dice برابر با ۰.۸۸ برای اپیدرم و ۰.۸۶ برای SLEB. در تمامی شبکه­ های اجرا شده، نتیجه­ ی قطعه­ بندی لایه­ ی اپیدرم بهتر از SLEB بود.