امروز

چهارشنبه ۱۶ آذر ۱۴۰۱

تشخیص سرطان سینه یکی از زمینه¬های پیچیده و دشوار در شاخص¬های علم پزشکی است. امروزه، متخصصان آسیب¬شناسی از روش¬های نمونه¬برداری بافت مرده و زنده برای مطالعه و شناسایی اختلالات علمی و تغییرات ساختاری بافت¬ها  استفاده می¬کنند. در این روش بخش کوچکی از بافت مورد¬ نظر را با وسیله¬های میکروسکوپی پیشرفته بررسی کرده و نوع بیماری را تشخیص می¬دهند. با ¬این حال، تجزیه و تحلیل دستی تصاویر میکروسکوپی با ماهیت پیچیده یک فرایند نسبتا زمان¬بر وخسته¬کننده است و ممکن است مستعد خطا باشد. از این ¬رو، تشخیص رایانه¬ای نقش مهمی در کمک به آسیب¬شناسان دارد. از سیستم-های CAD که به طور خودکار آسیب¬شناسی موجود در تصاویر هیستولوژیک را شناسایی وطبقه¬بندی می¬کند برای تشخیص این بیماری استفاده می¬کنند. این سیستم‌ها به منظور رسیدگی به مسائل طبقه‌بندی دقیقی که روش‌های دستی با آن مواجه هستند، استفاده می‌شوند. تشخیص سرطان سینه با استفاده از ابزار¬های CAD نیاز به یادگیری ماشین دارد. همچنین استفاده از چهارچوب یادگیری ماشین منجر به استخراج هوشمندانه ویژگی¬ها از تصاویر خام با ابعاد بالا می¬شود. در این رساله، به طبقه¬بندی چهار نوع سرطان سینه که شامل  Normal، Benign، InSituو Invasive می¬باشد، با تحلیل تصاویر هیستوپاتولوژی بوسیله یادگیری عمیق بر روی پایگاه داده ICIAR پرداخته شده است. در روش پیشنهادی ابتدا تصاویر با اشتراک 50 درصد patchبندی شده‎اند. سپس با استفاده از یک شبکه عصبی کانولوشنی ویژگی‎های patch¬های هر تصویر و کلاس هر patch مشخص شده است. در نهایت با خوشه‎بندی ویژگی‎های patchهای هر تصویر و میزان فراوانی کلاس هر patch در خوشه، کلاس کل خوشه مشخص شده است. این روش توانسته است دقت تشخیص کلاس سرطان را نسبت به شبکه عصبی کانولوشنی بدون استفاده از خوشه‎بندی 20 درصد افزایش دهد که یک نتیجه قابل ملاحظه‎ای است. امید بر این است که بتوانیم با تشخیص سریع و دقیق سرطان سینه از طریق سیستم کامپیوتری کمک زیادی به آسیب¬شناسان برای درمان سریع بیماران کنیم.

نام دانشجو: 
الهه حسین زاده
عنوان پایان نامه : 
طبقه بندی چهار نوع سرطان سینه با تحلیل تصاویر هیستوپاتولوژی بوسیله یادگیری عمیق
مقطع تحصیلی: 
کارشناسی ارشد
مکان: 
پردیس دانشگاه ارومیه، اتاق آنتن
تاریخ دفاع: 
1401/06/23
ساعت: 
16:00