جلسه دفاع پایان نامه: سید مصطفی غضنفری، گروه مهندسی پزشکی-بیوالکترونیک
عنوان پایان نامه: تشخیص و بخش‌بندی توده سرطان سینه در تصاویر فراصوت بر اساس شبکه‌های عصبی عمیق
ارائه کننده: سید مصطفی غضنفری استاد راهنما: دکتر بابک محمدزاده اصل استاد ناظر داخلی دوم: دکتر علی محلوجی فر استاد ناظر خارجی اول: دکتر حمید بهنام (دانشگاه علم و صنعت) تاریخ: ۱۴۰۳/۰۲/۱۲ ساعت: ۱۰ تا ۱۱:۳۰ مکان: آزمایشگاه پردازش سیگنال‌های پزشکی
چکیده: بخش بندی دقیق تصاویر فراصوت برای تشخیص ابتلا به سرطان سینه بسیار حیاتی می باشد و فرصت های مختلفی برای درمان این فراهم می کند. با این حال، برچسب گذاری دستی تصاویر فراصوت بسیار زمان بر است و به اپراتور انسانی وابسته می باشد. این مسئله چالش های جدی را برای تشخیص ایجاد می کند. با توجه به این موضوع ، سیستم های تشخیص کامپیوتری توسعه پیدا کرده اند که امکان کمک به اپراتور ها در تشخیص و طبقه بندی سرطان سینه را دارا هستند. به طور کلی این سیستم ها دارای مراحل مختلفی هستند که در این میان، بخش بندی تصویر که توده را از پس زمینه جدا می کند ، مهم ترین بخش محسوب می شود و کلید پردازش های بعدی است و کیفیت تجزیه و تحلیل نهایی را تعیین می کند ما در این مطالعه ، یک شبکه بخش بندی نوین را ارائه کردیم. این ساختار دقت بخش بندی را در تصاویر فراصوت بهبود می بخشد. معماری نوآورانه و قدرتمند ما بلوک های ConvMixer و Multi Head Self Attention را در انتهای بخش کدگذار شبکه U-Net به کار گرفته که به طور موثر اطلاعات سراسری را برای بخش بندی دقیق در برمی گیرد. همچنین شبکه ما با استفاده از بلوک ConvMixer در بخش مسیر های پرش، ویژگی های نامربوط را سرکوب کرده و ویژگی های ارزشمند را تقویت می کند. در این ساختار از یک سری پیش پردازش های نوین و قدرتمند برای بهبود عملکرد شبکه وجلوگیری از بیش برازش استفاده شده است. اعتبارسنجی ساختار ما روی مجموعه داده های BUSI نشان می دهد که شبکه ما در معیارهای بخش بندی برتر از سایر شبکه های پایه در این حوزه و شبکه‌های جدیدتر می باشد. همچنین برابری دقت شبکه روی داده‌های ارزیابی و تست بیانگر عدم وجود بیش برازش وتاییدی بر علمی بودن نتایج ما می‌باشد. ساختار ما در بخش بندی توده‌های خوش خیم بسیار خوب عمل کرده و بهبود قابل توجهی در بخش بندی توده های بدخیم داشته است که به طور ذاتی چالش بیشتری دارند.
