طبقه بندی تصاویر سی تی اسکن کبد به کمک روشهای یادگیری نیمه نظارتی عمیق

طبقه بندی تصاویر سی تی اسکن کبد به کمک روشهای یادگیری نیمه نظارتی عمیق


طبقه بندی تصاویر سی تی اسکن کبد به کمک روشهای یادگیری نیمه نظارتی عمیق

نوع: Type: پایان نامه

مقطع: Segment: کارشناسی ارشد

عنوان: Title: طبقه بندی تصاویر سی تی اسکن کبد به کمک روشهای یادگیری نیمه نظارتی عمیق

ارائه دهنده: Provider: عاطفه اسلامیان - رشته مهندسی کامپیوتر

اساتید راهنما: Supervisors: دکتر محرم منصوری‌زاده - دکتر حسن ختن لو

اساتید مشاور: Advisory Professors:

اساتید ممتحن یا داور: Examining professors or referees: دکتر رضا محمدی - دکتر مهدی سخائی نیا

زمان و تاریخ ارائه: Time and date of presentation: 10 بهمن 1402 ساعت 18-16

مکان ارائه: Place of presentation: سمینار3 مکانیک

چکیده: Abstract: تشخیص و طبقه‌بندی ضایعات کانونی کبد از تصاویر سی‌تی اسکن، به دلیل اهمیت کبد در بدن انسان، چالشی مهم برای پزشکان است. این پژوهش با هدف بهبود دقت طبقه‌بندی ضایعات کانونی کبد با استفاده از شبکه‌های عصبی عمیق و تنظیم دقیق انجام شد. در این پژوهش، از سه شبکه عصبی عمیق ResNet، AlexNet و EfficientNet برای طبقه‌بندی تصاویر سی‌تی اسکن کبد با کنتراست بهبودیافته از سه فاز NC، ART و PV استفاده شد. به دلیل تعداد محدود تصاویر، از تنظیم دقیق برای بهبود عملکرد مدل‌ها استفاده شد. به دلیل تعداد محدود تصاویر، از تنظیم دقیق برای بهبود عملکرد مدل‌ها استفاده شد. نتایج نشان داد که مدل ResNet با تنظیم دقیق و تابع اتلاف متقاطع آنتروپی، بهترین عملکرد را در مقایسه با سایر مدل‌ها و روش‌های پیشرفته دیگر داشت. این پژوهش نشان داد که استفاده از شبکه‌های عصبی عمیق و تنظیم دقیق می‌تواند دقت طبقه‌بندی ضایعات کانونی کبد را از تصاویر سی‌تی اسکن به طور قابل توجهی افزایش دهد. افزایش تنوع و تعداد تصاویر در مجموعه داده، بررسی روش‌های پیش‌پردازش جدید، ارزیابی سایر معماری‌های شبکه عصبی عمیق، ارائه روش‌های تفسیر برای مدل‌های یادگیری عمیق، توسعه سیستم‌های مبتنی بر هوش مصنوعی برای کمک به پزشکان و بررسی مسائل اخلاقی مربوط به استفاده از هوش مصنوعی در تشخیص و درمان بیماری‌ها می‌تواند پیشنهادهایی باشد که از این تحقیق برآمده است.