استفاده از نشانگرهای صورت و سر جنین در تصاویر سونوگرافی برای تشخیص بیماری سندروم داون به وسیله ی یادگیری عمیق

نوع: Type: پایان نامه

مقطع: Segment: کارشناسی ارشد

عنوان: Title: استفاده از نشانگرهای صورت و سر جنین در تصاویر سونوگرافی برای تشخیص بیماری سندروم داون به وسیله ی یادگیری عمیق

ارائه دهنده: Provider: فائزه سادات حسینی نیا - مهندسی کامپیوتر

اساتید راهنما: Supervisors: دکتر محرم منصوری زاده و دکتر حسن ختن لو

اساتید مشاور: Advisory Professors:

اساتید ممتحن یا داور: Examining professors or referees: دکتر عباس رمضانی و دکتر راضیه ترکمنی

زمان و تاریخ ارائه: Time and date of presentation: ساعت 15 - 1404/7/30

مکان ارائه: Place of presentation: آمفی تئاتر دانشکده مهندسی

چکیده: Abstract: سندروم داون یکی از اختلالات شایع ژنتیکی است که می‌تواند مشکلات جسمی و ذهنی جدی ایجاد کند. تشخیص دقیق این اختلال در دوران بارداری اهمیت زیادی دارد، اما روش‌های کنونی مانند آمنیوسنتز و نمونه‌برداری خطر سقط جنین را به همراه دارند. در نتیجه، نیاز به وجود روش‌های سریع، دقیق و غیرتهاجمی احساس می‌شود. این پژوهش به بررسی استفاده از الگوریتم‌های یادگیری عمیق در تحلیل تصاویر سونوگرافی برای تشخیص سندروم داون و سایر اختلالات جنینی می‌پردازد. هدف ما در این پژوهش معرفی روش‌های هوش مصنوعی و الگوریتم‌های مورد استفاده برای تشخیص سندروم داون از طریق تصاویر سونوگرافی است و نحوه عملکرد و دقت این روش‌ها را بررسی خواهیم کرد. همچنین، تصاویر سونوگرافی مربوط به جنین‌های سالم و مبتلا به سندروم داون را مورد مطالعه قرار داده و مشخصه‌هایی که تفاوت‌های بین دو گروه را نشان می‌دهند، مورد بررسی قرار خواهند گرفت. ما به دنبال بهبود روش‌های تشخیصی و افزایش دقت در تشخیص این بیماری در جنین هستیم. انجام تست سونوگرافی از هفته‌های 11 تا 13 بارداری برای اندازه‌گیری مارکرهایی مانند ضخامت ناحیه گردنی و طول استخوان بینی. در صورت مشکوک بودن نتایج اولیه، اندازه‌گیری دور سر جنین در هفته‌های پایانی بارداری نیز انجام می‌شود. استفاده از شبکه‌های عصبی مختلف مانند شبکه‌های عصبی بازگشتی، مولد تخاصمی، رمزگذارهای خودکار یونت و رزنت برای تحلیل و پردازش تصاویر سونوگرافی از جمله روش‌های به کار گرفته‌شده است. با استفاده از الگوریتم‌های یادگیری عمیق در تحلیل تصاویر سونوگرافی، انتظار می‌رود دقت تشخیص سندروم داون و سایر اختلالات جنینی افزایش یابد، احتمال خطا کاهش یافته و هزینه‌ها و زمان تشخیص کمتر شود. این الگوریتم‌ها می‌توانند تصاویر سونوگرافی را به‌صورت غیرتهاجمی تحلیل کرده و نتایج سریعتری ارائه دهند. با تحلیل و مقایسه تصاویر جنین‌های سالم و مبتلا به سندروم داون، مشخصه‌های کلیدی تفاوت بین دو گروه شناسایی شده و روش‌های تشخیصی بهبود می‌یابد. همچنین، مدل‌های یادگیری عمیق قادر خواهند بود خطر بروز بیماری‌های ژنتیکی مانند سندروم داون را پیش‌بینی کرده و به توسعه سیستم‌های هوشمند برای کمک به پزشکان در تصمیم‌گیری‌های پزشکی کمک کنند. این سیستم‌ها به‌عنوان ابزار پشتیبان برای تشخیص دقیق‌تر و سریع‌تر ناهنجاری‌های جنینی عمل خواهند کرد.