ارائه کننده: زینب مختاری استاد راهنما: دکتر بابک محمدزاده اصل استاد ناظر داخلی اول: دکتر منصوره پاکروان استاد ناظر خارجی اول: دکتر حمید بهنام  (دانشگاه علم و صنعت) تاریخ: ۱۴۰۳/۱۱/۱۴ ساعت: ۱۰ تا ۱۱:۳۰ مکان: اتاق شورا

چکیده:   کشسان نگاری یکی از روش‌ های غیر تهاجمی است که به‌ منظور ارزیابی خواص مکانیکی بافت‌ های نرم، به‌ ویژه در زمینه‌ های پزشکی، کاربرد فراوانی دارد. مطالعات مختلف نشان داده‌ اند که بسیاری از بیماری‌ ها مانند سرطان، فیبروز کبدی، بیماری‌ های قلبی عروقی و ندول‌ های تیروئیدی با تغییراتی در ویژگی‌ های مکانیکی بافت‌ ها ارتباط دارند. بنابراین، اندازه‌ گیری خواص کشسانی بافت‌ های نرم از طریق سونوگرافی می‌ تواند اطلاعات مفیدی برای تشخیص و درمان این بیماری‌ ها فراهم آورد. به ‌ منظور تخمین دقیق خواص مکانیکی و شناسایی تغییرات پاتوبیولوژیکی بافت‌ ها، تخمین جابجایی در دو بعد محوری و جانبی ضرورت دارد. یکی از چالش‌ های اصلی در کشسان نگاری فراصوت، تخمین تاخیر زمانی (TDE) بین دو مجموعه داده RF قبل و بعد از فشرده‌ سازی بافت است. در این زمینه، روش‌ های متنوعی مانند تکنیک‌ های مبتنی بر پنجره، بهینه‌ سازی تابع هزینه و روش‌ های یادگیری عمیق برای محاسبه TDE مورد استفاده قرار گرفته‌ اند. پژوهش‌ های قبلی نشان داده‌ اند که دقت تخمین جابجایی محوری بسیار دقیق‌تر از جابجایی جانبی است و تخمین جابجایی جانبی به جهت فرکانس نمونه برداری کمتر و رزولوشن جانبی پایین‌تر با خطای زیادی همراه است و هنوز نیازمند بهبود است. به همین دلیل، بهبود این بخش همچنان ضروری است. هدف این تحقیق ارائه روشی مبتنی بر یادگیری عمیق برای بهبود دقت تخمین جابجایی به ‌ ویژه در جهت جانبی است. برای این منظور، از شبکه PWC-Net   به ‌ عنوان چارچوب اصلی استفاده شده است. در بخش استخراج ویژگی این شبکه، به جای استفاده از معماری‌ های معمول   CNN، از Vision Transformer (ViT) بهره گرفته شد. این جایگزینی با هدف ارتقاء قابلیت مدل در استخراج ویژگی‌ های بافت‌ های نرم و افزایش دقت تخمین جابجایی انجام شده است. نتایج شبیه سازی نشان داد که این رویکرد به ترتیب موجب بهبود ۱۳. ٪۹۸ و ۸۹. ٪۹۹ پارامتر ارزیابی SSIM کرنش محوری و کرنش جانبی و نیز بهبود (µ m)   80.۷ پارامتر ارزیابی MAE جابجایی جانبی در فانتوم شبیه سازی شد. در فانتوم‌های تجربی نیز این رویکرد به ترتیب موجب بهبود ۶۷. ٪۱۱ و ۱۴. ٪۸ پارامتر ارزیابی CNR و همچنین موجب بهبود ۳۲۷. ٪۰ و ۲۴۲. ٪۰ پارامتر ارزیابی SNR گردید.