ارائه کننده: آریا بیات استاد راهنما: دکتر بابک محمدزاده اصل استاد ناظر داخلی اول: دکتر علی محلوجی فر استاد ناظر خارجی اول: دکتر حمید بهنام (دانشگاه علم و صنعت) تاریخ: ۱۴۰۳/۰۲/۱۲ ساعت: ۸:۳۰ تا ۱۰ مکان: آزمایشگاه پردازش سیگنال‌های پزشکی

چکیده: ردیابی حرکت طیف وسیعی از کاربردها در تصویربرداری فراصوت دارد. از ردیابی حرکت در چندین کاربرد مانند تصویربرداری الاستیسیته، تصویربرداری جریان خون، الاستوگرافی، ردیابی لکه‌های فوتو آکوستیک، تصحیح انحراف فاز، و اکوکاردیوگرافی  استفاده می‌شود. از پرکاربرد‌ترین روش‌ های سنتی برای ردیابی حرکت در تصاویر فراصوت، ردیابی حرکت مبتنی بر تطبیق بلوک است، که در آن یک استراتژی جستجوی جامع  برای تطبیق بلوک مرجع با بلوک‌ های هم اندازه در فریم‌ های تصویر متوالی استفاده می‌ شود. این روش در تحقیقات مختلف به طور کامل مورد مطالعه قرار گرفته‌ اند و از نظر بار محاسباتی سنگین و کند هستند. در نتیجه، این روش‌ها برای پردازش بی‌ درنگ مناسب نیستند. اخیراً الگوریتم‌ های ردیابی مبتنی بر یادگیری عمیق مانند شبکه‌ های عصبی siamese در حوزه تصویربرداری پزشکی مورد توجه قرار گرفته‌ اند. شبکه‌های siamese از یک شبکه عصبی پیچشی برای یادگیری یک نمایش کارآمد و مقاوم  (نسبت به تغییر اندازه و ظاهر هدف مورد ردیابی) از ناحیهٔ موردنظر استفاده می‌کنند که باید ردیابی شود. مزیت اصلی استفاده از این شبکه‌ها این است که از نظر محاسباتی بسیار کارآمد هستند زیرا ردیابی فقط در نواحی اطراف مکان قبلی هدف و با یک رویکرد شباهت سنجی ساده صورت می‌ گیرد. همچنین به دلیل رویکرد شباهت سنجی این شبکه ها، تعمیم پذیری خوبی در ردیابی سایر اهداف دیده نشده دارند. در این مطالعه با ارتقای تکنیک ردیابی حرکت مبتنی بر شبکه‌های siamese کاملاً پیچشی، دقت و سرعت ردیابی حرکت را افزایش دادیم تا این ردیابی به صورت بی‌درنگ و مقاوم صورت بگیرد. موارد ارتقا شامل دو مورد اصلی می‌ باشد. مورد اول، تغییر ساختار اولیهٔ شبکه برای استخراج ویژگی‌های غنی‌تر تصویر می‌ باشد. مورد دوم، اضافه کردن مراحل پیش پردازش اعمال شده بر روی فریم‌های مورد ردیابی، با محوریت قرار دادن نوع خاص حرکت اهداف فراصوت (تناوبی و محدود به ناحیهٔ خاص) و همچنین چند مورد پیش پردازش جزئی (با در نظر گرفتن محدودیت‌های کلی تصاویر فراصوت) می‌ باشد. با توجه به آموزش ندیدن مجدد شبکه بر روی داده‌های آموزش، یک ارزیابی کمی بر روی این قسمت از داده‌ها انجام گرفت. این ارزیابی به دلیل در دسترس قرار نگرفتن ارزیابی کمی توسط سایت مرجع داده‌های clust توسط خودمان صورت گرفت. برای مقایسهٔ تاثیر بهینه سازی‌های انجام شده در این تحقیق، خطای ردیابی شبکه در دو حالت بدون بهینه سازی و با بهینه سازی محاسبه شد. خطای ردیابی در حالت اول ۲.۴۳ میلی‌ متر و در حالت دوم ۱.۵ میلی‌ متر می‌ باشد که تاثیر گذار بودن رویکرد‌های بهینه سازی علی رغم ساده بودن آن‌ها را نشان می‌ دهد.