چکیده پایان نامه ها

نام و نام خانوادگی:حمیدرضا فلاح زاده
عنوان پایان نامه: قطعه بندی تصاویر MRI براساس الگوریتم بهینه سازی شیرمورچه چندهدفه
رشته تحصیلی:مهندسی پزشکی-بیوالکتریک
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: آقای دکتر مهدی نصری
چکیده:

قطعه بندی تصاویر اولین گام در تجزیه و تحلیل تصاویر پزشکی MRI است، زیرا می تواند به صورت غیرتهاجمی اطلاعاتی را در مورد بیمار برای رادیولوژیست فراهم کند که برای روند تشخیص بیماری بسیار مهم است. کارآیی چنین سیستم تشخیصی به کمک رایانه متکی به صحت روش قطعه بندی اتخاذ شده است. در این پایان نامه سعی شد تا با استفاده از الگوریتم فراابتکاری بهینه ساز شیرمورچه، تصاویر MRI مغزی تعدادی از بیماران قطعه بندی گردد. الگوریتم بهینه ساز شیرمورچه با الهام از طبیعت، سازوکار شکار شیرمورچه را تقلید می کند. برای پیاده سازی روش پیشنهادی، ابتدا تصاویر مربوط به MRI مغزی دارای تومور به همراه تصاویر مرجع آن از پایگاه داده BraTS 2020 تهیه شد. سپس جهت آزمایش روش پیشنهادی، سکانس هایی از تصاویر مغزی سه بیمار انتخاب و قطعه-بندی شد و با تصاویر مرجع از دیتاست مقایسه شده و با معیارهای ارزیابی دایس، جاکارد، فاصله هاوسدورف و شاخص BF Score مورد ارزیابی قرار گرفت. پس از آن نتایج با دو روش قطعه بندی دیگر مقایسه شد و نتایجی که از بکارگیری روش پیشنهادی حاصل شد، در مقایسه با روش اُتسو و ارزیابی با شاخص های دایس، جاکارد، BF Score و فاصله هاوسدورف به ترتیب به میزان 56/0، 49/0، 42/0، 5/41، و در مقایسه با روش FCM به ترتیب به میزان 14/0،12/0، 11/0، 53/23 بهبود یافت. در نهایت نتایج بدست آمده از عملکرد الگوریتم پیشنهادی، نشان داد که روش ارائه شده پاسخ قابل قبولی داشته و می تواند دقت بالاتری را در قطعه بندی تصاویر ارائه دهد.

کلیدواژه: :قطعه بندی تصویر، بهینه سازی، الگوریتم فراابتکاری، الگوریتم بهینه سازی شیرمورچه، بهینه سازی چندهدفه

نام و نام خانوادگی:رقیه گیل چالانی
عنوان پایان نامه: طبقه بندی توده های کبدی با استفاده از شبکه های عصبی کانولوشنی بر روی تصاویر MRI
رشته تحصیلی:مهندسی پزشکی- بیوالکتریک
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر شهربانوفلاحیه حمیدپور
چکیده:

تشخیص سریع و قابل اعتماد سرطان کبد برای شروع سریع تر درمان ممکن است نتایج بهتری برای این بیماران فراهم کند. اخیراً استفاده از روش تصاویر MRI برای تشخیص تومورهای کبدی بسیار محبوب شده است. ﺳﯿﺴﺘﻢ ﺗﺸﺨﯿﺼﯽ ﺑﻪ ﮐﻤﮏ راﯾﺎﻧﻪ ﺑﻪ رادﯾﻮﻟﻮژیست ها ﮐﻤﮏ می کند ﺗﺎ اﻃﻼﻋﺎت ﻣﻬﻢ در ﻣﻮرد ﯾﮏ ﺑﯿﻤﺎر را سریع تر درك ﮐﻨﻨﺪ و روند تشخیص و درمان بیماری تسریع یابد. مطالعه این پایان نامه با هدف پیاده سازی روشی مبتنی بر یادگیری عمیق جهت تشخیص و طبقه بندی تومورهای کبدی انجام شده است. برای این منظور ابتدا تصاویر مربوط به چهار کلاس مختلف تومورهای کبدی شامل کبد سالم (NL)، کبد دارای کیست ساده (SC)، کبد دارای تومور هیپرپلازی گرهی کانونی (FNH) و کبد دارای تومور کارسینوم هپاتوسلولار (HCC) از پایگاه داده تهیه شدند. ابتدا به منظور حذف اثرات حاشیه‌ای از تصویر، 30 درصد از سمت راست هر تصویر برش داده شد و با استفاده از روش آستانه گذاری ناحیه کبد از تصویر اصلی جدا شد. سپس با استفاده از روش سودوکالر، تصاویر مقیاس خاکستری رنگی سازی شدند و با اعمال فیلتر، ناحیه کبد از تصویر رنگی جدا شد. به منظور طبقه بندی نوع تومورهای کبدی از شبکه عصبی کانولوشنی با 14 لایه استفاده شد. ابتدا مدل CNN توسط داده های مقیاس خاکستری ناحیه کبد ایجاد شد که دقت مدل CNN برای داده های آموزش و آزمون به ترتیب برابر با 5/92 درصد و 67/81 درصد به دست آمد. در ادامه مدل شبکه عصبی کانولوشنی با تصاویر رنگی شده ناحیه کبدی ایجاد شد که دقت نهایی مدل CNN برای داده‌های آموزش و آزمون به ترتیب برابر با 100 درصد و 33/88 درصد به دست آمد. در مجموع بررسی نتایج نشان داد که با کاربرد روش سودوکالر بر روی تصاویر مقیاس خاکستری MRI و رنگی سازی آن می‌توان دقت طبقه بندی تومورهای کبدی را افزایش داد.

کلیدواژه: :تومور کبدی، MRI، شبکه یادگیری عمیق، طبقه بندی تصاویر، شبکه عصبی کانولوشنی

نام و نام خانوادگی:راضيه فقيهي
عنوان پایان نامه: استفاده از صفحه فازدر انتخاب ویژگی های پایداراز ماتریس های زنی برای طبقه بندی بیماری های سرطانی
رشته تحصیلی:مهندسي پزشكي-بيوالكتريك
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دكتر حميد محموديان
چکیده:
در سال هاي اخير استفاده از تجزيه و تحليل ريزآرايه ها براي تشخيص و جداسازي بيماري هاي مختلف که ميتوانند منشاء ژنتيكي داشته باشند بسيار رشد يافته است. بررسي اين اطلاعات مي تواند به شناخت عوامل تاثيرگذار بيولوژيكي که اصطلاحا بيومارکر ناميده مي شود منجر گردد. با توجه به اينکه شناخت بيومارکرها در آزمايشگاه ها ممکن است بسيار هزينه بر و يا زمان بر باشد، استفاده از روش هاي مهندسي براي شناخت آنها عموما از لحاظ زمان و هزينه مقرون به صرفه است. همچنين ارتباط و تاثيرگذاري متقابل بين بيومارکرها نيز که داراي اهميت مي باشد، ممکن است توسط تجزيه و تحليل هاي رياضي راحت تر از روش هاي آزمايشگاهي نتيجه بخش باشد. براين اساس استفاده از روش هاي رياضي و الگوريتم هاي كامپيوتري در اين حوزه که عمدتا به بيوانفورماتيك موسوم است، بسيار گسترش يافته است. در اين زمينه فعاليت ها و مطالعات گسترده اي انجام شده و چالش ها و مشکلات اين زمينه بيشتر شناسايي شده است. يكي از مسائل در اين حوزه، ايجاد پايگاه هاي داده بزرگ از ماتريس هاي بيان ژن است که تجزيه و تحليل رياضي و بيولوژيكي آنها را پيچيده کرده است. پيچيدگي انتخاب ژن هاي تاثير گذار و يا بيومارکرهاي مهم از بين اطلاعات هزاران ژن با تعداد نمونه هاي کم موجود باعث گرديده تا روش هاي متفاوت و مدل هاي مختلفي ارائه گردند. نتايج ارائه شده در اين مدل ها چالش جديدي را نشان مي دهند که بيانگر وجود مجموعه هاي مختلفي از ژن ها هست که با دقت بالا مي توانند نمونه ها را جداسازي نمايند اما وابستگي شديدي به نمونه هاي آموزشي دارند. کاهش اين وابستگي چالش مطالعات اخيري است که در اين پايان نامه نيز بررسي شده-است. در اين مطالعه، سعي بر اين است که روش دياگرام فاز که در مطالعات قبلي براي کاهش واريانس نتايج معرفي شده است، به گونه اي توسعه يابد که وابستگي مدل را به نمونه هاي آموزشي کاهش دهد. در روش دياگرام فاز که براساس انتخاب تصادفي ويژگي هاي مختلف است، مجموعه ويژگي هايي انتخاب مي گردند که داراي پاسخي با نوسانات کمتر باشند. علاوه بر اين سعي گرديده است که مجموعه هاي ژني انتخاب شده داراي پايداري نسبي باشند تا با بتوان نتايج رياضي مدلـها را به نتايج بيولوژيكي مطلوب نزديك نمود. به همين دليل در روش پيشنهادي معيار شباهت با الگوريتم جديدي مورد استفاده قرار گرفته است تا انتخاب ژن هاي نهايي در مجموعه-هاي پايدارتري قرار بگيرند. نتايج روش پيشنهادي بر روي چهار پايگاه داده شناخته شده از ماتريس هاي پروفايل ژني پياده سازي گرديده است. اگرچه به دليل محدوديت هاي باليني امکان بررسي نتايج به صورت تجربي و در آزمايشگاه ها و کلينيك هاي تخصصي وجود ندارد، اما نتايج رياضي بيانگر برابر و يا بهبود نسبي نتايج در مقايسه با نتايج قبلي مي باشند. شايان ذکر است که عمدتا در مطالعات قبلي که در اين حوزه انجام گرديده است معيار پايداري در نظر گرفته نشده است.
کلیدواژه: :تجزيه و تحليل ريزآرايه، انتخاب پايدار بيومارکر، دياگرام فاز