چکیده پایان نامه ها گروه مهندسی پزشکی نوین

نام و نام خانوادگی:محمد صادقی میر لطف اله
عنوان پایان نامه: بررسی و بهبود روش بخش بندی در تصاویرتشدید مغناطیسی (MRI) مغز برای تشخیص تومورهای مغزی با استفاده از شبکه عصبی پیچشی کاملا سه بعدی ( 3D-FCNN)
رشته تحصیلی:مهندسی پزشکی- بیوالکتریک
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر امید مرادی
چکیده:

تومور مغزی یکی از خطرناک ترین انواع سرطان است که موجب اختلالات شناختی می شود. این حقیقت توجیه کننده ی تحقیقات برای رسیدن به تشخیص زود هنگام و نیز بهبود امید به زندگی بیماران است. از MRI برای تشخیص گلیوم و تومور مغزی و نشان دادن روند پیشرفت و یا درمان بیماری استفاده می شود. با استفاده از تصاویر MRI می توان تومور را شناسایی نمود و خوش خیم و یا بدخیم بودن تومور را مشخص کرد. MRI می تواند اسکن 3 بعدی مغز را در اختیار پزشکان قرار دهد. کنتراست تصاویر MRI بالاتر از روش های دیگر تصویر برداری می باشد. در تصاویر MRI، تصاویر از جهت های مختلفی تهیه می شود و از پرتو های یونیزه شده نیز استفاده نمی  شود. هم چنین در این تصویر برداری از خاصیت ویژه اسپین هسته های هیدروژنی در این میدان مغناطیسی استفاده می شود. پس از انتخاب برش مورد نظر، اسپین ها تحت میدان مغناطیسی پالس های الکترو مغناطیسی قرار گرفته و سپس از حالت برانگیختگی به مرور به حالت اولیه خود باز بازمی گردند. هر برش تصویر توسط فاز و بسامد امواج دریافت شده و به ترتیب در محور هایx و y کد گذاری می-گردد. اطلاعات دریافتی در یک فضای داده قرار می گیرد و نهایتا به کمک تبدیل فوریه به شکل تصویر در آورده می شود. شبکه های عصبی پیچشی در پردازش تصاویر طبیعی و تصاویر بیولوژیکی استفاده می شوند. همچنین این شبکه های عصبی برای تقسیم بندی تومور مغزی و تقسیم بندی تصاویر پزشکی طراحی شده اند. در این پایان نامه ابتدا یک مدل بهبود یافته شبکه عصبی پیچشی کاملا سه بعدی ارائه می شود و سپس با استفاده از این مدل، تومور های مغزی موجود در تصاویر MRIمغز بخش بندی می شوند. برای پیاده سازی روش پیشنهادی، از نرم افزار python3.6 استفاده شده است و برای ارزیابی از 259 نمونه تومور بد خیم، 76 نمونه تومور خوش خیم، 125 نمونه اعتبار سنجی و 166 نمونه آزمایشی تصویر MRI تومور مغزی افراد مبتلا به سرطان در پایگاه داده Kaggle موجود می باشد، استفاده شده است. نتایج ارزیابی نشان می دهد که معیار DSC به¬دست آمده ی روش پیشنهادی با استفاده از دیتابیس 2019BRATS به ترتیب برای تومور کامل95.2 درصد، برای هسته تومور 96 درصد و برای تومور تقویت شده 81.73 در صد می باشد.

کلیدواژه: تومور مغزی، شبکه عصبی پیچشی کاملا سه بعدی، پردازش تصویر، تصاویر

نام و نام خانوادگی:سیده مریم زارع مویدی
عنوان پایان نامه: پیاده سازی و ارزیابی الگوریتم انتخاب ویژگی کرم شب تاب برای انتخاب بهترین دسته ویژگی درتشخیص سرطان سینه در تصاویر حرارتی
رشته تحصیلی:مهندسی پزشکی-بیوالکتریک
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر عبدالحسین رضائی
چکیده:

سرطان سینه از شایع ترین دلایل مرگ در میان زنان جهان می باشد. این حقیقت توجیه کننده ی تحقیقات برای رسیدن به تشخیص زود هنگام و نیز بهبود امید به زندگی بیماران است. تصویربرداری حرارتی (ترموگرافی) یک روش تصویر برداری غیر‌تهاجمی است که برای ثبت الگوهای حرارتی با استفاده از دوربین مادون قرمز (IR) جهت تشخیص زود هنگام سرطان سینه استفاده می‌شود. انتخاب ویژگی یکی از مراحل مهم در تشخیص سرطان سینه با استفاده از تصاویر حرارتی است. هدف از اجرای مرحله انتخاب ویژگی یافتن دسته ویژگی مناسب جهت افزایش دقت و سرعت انجام مراحل پردازش تصاویر حرارتی می-باشد. در مرحله انتخاب ویژگی، ویژگیهایی وجود دارد که اثر کمتری دارند یا بار اطلاعاتی چندانی ندارند یا اینکه همپوشانی دارند. عدم حذف این ویژگی ها مشکلی از لحاظ اطلاعاتی ایجاد نمی کند، ولی بار محاسباتی را افزایش داده و ممکن است دقت و صحت را کاهش دهند و باعث می شوند که اطلاعات غیر مفیدی به همراه داده های مفید ذخیره شوند. دراین پایان نامه از الگوریتم انتخاب ویژگی کرم شب تاب برای انتخاب بهترین دسته ویژگی در تشخیص سرطان سینه در تصاویر حرارتی استفاده شده است. در ابتدا ویژگی‌های مبتنی بر ماتریس هم وقوعی سطوح خاکستری مبتنی بر الگوهای محلی باینری از تصاویر استخراج و سپس الگوریتم انتخاب ویژگی کرم شبتاب جهت انتخاب بهترین دسته ویژگی روی آنها اجرا می شود. در این روش جدید از الگوریتم های طبقه بندی کننده ی درخت تصمیم گیری ، k نزدیک ترین همسایگی و ماشین بردار پشتیبان برای مرحله طبقه‌بندی استفاده می‌شود. برای پیاده سازی روش پیشنهادی ، از نرم افزارMATLAB 2019 b استفاده شده است و برای ارزیابی از 200 نمونه تصویر حرارتی سینه ، 100 نمونه تصویر حرارتی سینه افراد سالم و 100نمونه تصویر حرارتی سینه افراد مبتلا به سرطان در پایگاه داده DMR-IR موجود می باشد, استفاده شده است. در مرحله استخراج ویژگی 59 ویژگی مبتنی به الگوهای محلی باینری و 76 ویژگی مبتنی بر ماتریس هم وقوعی سطوح خاکستری استخراج شده است . نتایج ارزیابی نشان می دهد که صحت بدست امده ی روش پیشنهادی برای الگوریتم های طبقه‌ بندی کننده ِDTree، KNN و SVM برای حالت بدون اعمال الگوریتم انتخاب ویژگی کرم شبتاب و با استفاده از ویژگی های استخراج شده از ترکیب دو روش ویژگی های مبتنی بر ماتریس هم وقوعی سطوح خاکستری مبتنی بر الگوهای محلی باینری به ترتیب5/94، 81 و 5/86 درصد، میانگین حساسیت برای این الگوریتم ها به ترتیب درصد و میانگین 2/93 ، 84/73 و 67/80 اختصاصیت برای این الگوریتم ها به ترتیب2/98 ، 15/83 و 100 درصد می باشد. صحت برای حالت با اعمال الگوریتم انتخاب ویژگی کرم شب تاب به ترتیب95 ، 5/81 و 99درصد، حساسیت برای این الگوریتم ها به ترتیب 99، 74 و100درصد و اختصاصیت برای این الگوریتم ها به ترتیب 11/94 ، 80 و2/98 درصد می باشد. لذا استفاده از الگوریتم انتخاب ویژگی کرم شب تاب باعث بهبود میانگین صحت، میانگین حساسیت و میانگین اختصاصیت در تشخیص سرطان سینه از تصاویر حرارتی می شود. با اعمال الگوریتم کرم شب تاب تعداد ویژگی ها به 9 ویژگی کاهش یافت که باعث کاهش زمان در عملکرد و علاوه بر ان به دقت بهتری دست یافته شد.

کلیدواژه: سرطان سینه، الگوریتم کرم شبتاب ، ترموگرافی، انتخاب و استخراج ویژگی مبتنی بر ماتریس هم وقوعی سطوح خاکستری GLCM) (، استخراج ویژگی مبتنی بر الگوهای محلی باینری
( LBP)

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

نام و نام خانوادگی: ساسان ایزدی
عنوان پایان نامه: بهبود الگوریتم آشکارسازی تومورهای مغزی در تصاویرMRI با استفاده از ویژگی های آماری و بافت
رشته تحصیلی: کارشناسی ارشد مهندسی پزشکی- بیوالکتریک
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر راحله کافیه
چکیده:
آشکارسازی دقیق و به‌موقع ناحیه تومور مغزی در انتخاب نوع درمان، میزان موفقیت آن و دنبال کردن روند بیماری در طول درمان تأثیر بسیار بالایی دارد. الگوریتم‌های موجود برای تشخیص تومور مغزی از نظر عملکرد خوب روی تصاویر مغزی متنوع با کیفیت‌های مختلف، حساسیت پایین نتایج به پارامترهای معرفی شده در الگوریتم و نیز تشخیص مطمئن تومورها در مراحل اولیه شکل‌گیری با مشکلاتی مواجه هستند. در این پژوهش روشی جهت تشخیص خودکار تومور از تصاویرMRI مغز ارائه‌شده است. در ابتدا تصاویر به پنجره‌های کوچک تقسیم‌ می‌شود. پس از تقسیم‌بندی تصاویر، فیلتر میانگین بر روی تصاویر اعمال می‌شود. بااعمال فیلتر میانگین و درواقع اعمال مرحله‌ی پیش‌پردازش بر روی تصاویر،فیلتر گابور بر روی تصاویر اعمال‌شده و ویژگی های آماری ماتریس همرویدادی از این پنجره ها استخراج می‌شود. با توجه به زیاد بودن این ویژگی‌ها، به کمک روش کاهش بعد PCA ابعاد ویژگی‌ها کاهش می‌یابد. در ادامه این ویژگی‌ها به کلاس بند SVM ارسال‌می‌شوند. درصورتی‌که کلاس بند تشخیصدهدآن ناحیه دارای تومور است، به پیکسل مرکزی پنجره‌ی ورودی برچسب دارای تومور و در غیر این صورت برچسب سالم اختصاص خواهد داد. بعد از این مرحله، پنجره‌هایی که دارای تومور بودند با استفاده از روش رشد ناحیه به صورت دقیق‌تر بخش بندی می شوند. با بررسی نتایج مشخص می‌شود که استفاده از فیلتر گابور به همراه ماتریس همرویدادی، دارای نتایج قابل قبولی با صحت49/97 %در تشخیص تومور بوده است.
کلیدواژه: :تومور، بافت، فیلتر گابور، ویژگی های آماری، بخشبند

تاریخ دفاع: زمستان 1400

نام و نام خانوادگی: ساسان ایزدی
عنوان پایان نامه: بهبود الگوریتم آشکارسازی تومورهای مغزی در تصاویرMRI با استفاده از ویژگی های آماری و بافت
رشته تحصیلی: مهندسی پزشکی- بیوالکتریک
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر راحله کافیه
چکیده:
آشکارسازی دقیق و به‌موقع ناحیه تومور مغزی در انتخاب نوع درمان، میزان موفقیت آن و دنبال کردن روند بیماری در طول درمان تأثیر بسیار بالایی دارد. الگوریتم‌های موجود برای تشخیص تومور مغزی از نظر عملکرد خوب روی تصاویر مغزی متنوع با کیفیت‌های مختلف، حساسیت پایین نتایج به پارامترهای معرفی شده در الگوریتم و نیز تشخیص مطمئن تومورها در مراحل اولیه شکل‌گیری با مشکلاتی مواجه هستند. در این پژوهش روشی جهت تشخیص خودکار تومور از تصاویرMRI مغز ارائه‌شده است. در ابتدا تصاویر به پنجره‌های کوچک تقسیم‌ می‌شود. پس از تقسیم‌بندی تصاویر، فیلتر میانگین بر روی تصاویر اعمال می‌شود. بااعمال فیلتر میانگین و درواقع اعمال مرحله‌ی پیش‌پردازش بر روی تصاویر،فیلتر گابور بر روی تصاویر اعمال‌شده و ویژگی های آماری ماتریس همرویدادی از این پنجره ها استخراج می‌شود. با توجه به زیاد بودن این ویژگی‌ها، به کمک روش کاهش بعد PCA ابعاد ویژگی‌ها کاهش می‌یابد. در ادامه این ویژگی‌ها به کلاس بند SVM ارسال‌می‌شوند. درصورتی‌که کلاس بند تشخیص دهد آن ناحیه دارای تومور است، به پیکسل مرکزی پنجره‌ی ورودی برچسب دارای تومور و در غیر این صورت برچسب سالم اختصاص خواهد داد. بعد از این مرحله، پنجره‌هایی که دارای تومور بودند با استفاده از روش رشد ناحیه به صورت دقیق‌تر بخش بندی می شوند. با بررسی نتایج مشخص می‌شود که استفاده از فیلتر گابور به همراه ماتریس همرویدادی، دارای نتایج قابل قبولی با صحت49/97 %در تشخیص تومور بوده است.
کلیدواژه: : تومور، بافت، فیلتر گابور، ویژگی های آماری، بخشبند

تاریخ دفاع: تابستان 1400

نام و نام خانوادگی: مهدی رحمانی مطلق
عنوان پایان نامه: شناسایی سرطان آندومتر مبتنی بر یادگیری عمیق و تصاویر هیستوپاتولوژیک
رشته تحصیلی:مهندسی کامپیوتر گرایش شبکه‌های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر سعید نصری

چکیده:
سرطان آندومتر در بین شش سرطان تشخیص داده‌شده در زنان، در سراسر جهان می‌باشد. به همین دلیل تشخیص زودرس سرطان آندومتر مورد اهمیت می‌باشد، چون وقوع مرگ‌ومیر در زنان به دلیل سرطان آندومتر در حال افزایش است. آنالیز تصاویر پاتولوژی یکی از مهم‌ترین روش‌های تشخیص سرطان آندومتر می‌باشد. در سال‌های اخیر برای آنالیز تصاویر پاتولوژی از روش‌هایی مبتنی بر شبکه‌های عصبی عمیق استفاده گردیده است. در این تحقیق روشی مبتنی بر یادگیری عمیق برای کمک به پاتولوژیست‌ها در ارزیابی بهینه تصاویر بافتی از نمونه‌های بافت آندومتر رنگی پیشنهادشده است. برای شناسایی سرطان آندومتر نیاز است که ویژگی بافت‌های آندومتر مانند غدد آندومتر، استروما و رگ دیواره ضخیم از تصاویر هیستوپاتولوژیکی به دست آید. برای همین منظور از شبکه Xception با استفاده از انتقال یادگیری استفاده گردید است. همچنین برای افزایش دقت شناسایی سرطان آندومتر بهبود انجام‌گرفته شامل افزودن ویژگی‌های سطح محلی در خروجی بر روی شبکه Xception انجام‌شده است. تصاویر تست توسط شبکه Xception بهبودیافته، طبقه‌بندی شدند و نوع سرطان آندومتر شناسایی گردید. نتایج شبیه‌سازی بر روی 3300 تصویر آندومتر هیستوپاتولوژی نشان می‌دهد که روش پیشنهادی عملکرد قابل قبولی در شناسایی سرطان آندومتر داشته است. دقت عملکرد روش پیشنهادی 45/85% و معیار حساسیت 11/84% گزارش گردید. بر اساس نتایج شبیه‌سازی، شبکه Xception بهبودیافته عملکرد بهتری نسبت به شبکه Xception برای شناسایی سرطان آندومتر داشته است.
کلیدواژه: سرطان آندومتر، تصاویر هیستوپاتولوژی، شبکه عصبی عمیق، کانولوشن، انتقال یادگیری

تاریخ دفاع: تابستان 1400

نام و نام خانوادگی:محمد جواد اسماعیلی
عنوان پایان نامه: طراحی و پیاده سازی سامانه هوشمند فیزیوتراپی و توان بخشی انگشتان دست
رشته تحصیلی:مهندسی پزشکی-بیوالکتریک
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر مهدی نصری
چکیده:
انگشت¬های دست یکی از عضو های اصلی و ضروری در انجام امور روزانه هر فرد است که در صورت بروز مشکل و یا نقص در حرکت می تواند اختلالات بسیاری در انجام صحیح کارها به همراه داشته باشد. سکته مغزی، اختلالات عصبی، پارگی-های عصبی، اختلالات ماهیچه ای، ضرب خوردگی و شکستن انگشت های دست از جمله مواردی است که میتواند چالش را برای حرکت این عضو به وجود آورد و عملکرد صحیح آنرا مختل کند که در صورت عدم انجام فیزیوتراپی و توان بخشی بصورت اصولی و یا استفاده از روش های اشتباه ممکن است این اختلالات همراه همیشگی بیمار شود و حتی در مواردی باعث عدم توانایی حرکت انگشت برای همیشه شود. پیشینه فیزیوتراپی انگشت های دست به زمان های نزدیکی برمیگردد و با ورود تکنولوژی و اطلاعات، تکاپوی زیادی در سراسر جهان برای ارایه روش و سیستم های مورد نیاز این بخش ارایه شده است. سیستم های متنوعی به منظور توان بخشی انگشت دست بوجود آمده اند که همگی سعی بر ایجاد یک سیستم حرکتی برای توان بخشی و فیزیوتراپی انگشت دست نموده اند و در این راه با چالش های زیادی روبرو میشوند که هر کدام در این پایان نامه مورد بررسی قرار میگیرد. در پایان نامه پیش رو نمونه های پیشین بررسی شده و نقاط ضعف و قوت هر کدام مشخص گردیده است همچنین با بررسی دقیق قسمت های مختلف انگشت، اعصاب انگشت، تاندون ها و موارد مرتبط سعی بر نزدیک تر شدن سیستم به سیستم کارآمد شده است. در این سیستم اتصالات مکانیکی قابل تعویض تعبیه شده است که بوسیله هر کدام می توان یکی از حرکات فیزیوتراپی انگشت را پیاده سازی نمود و با این روش دامنه حرکات قابل پیاده سازی را بدون محدودیت کرده است. از سوی دیگر برای کاهش خطر پذیری و خروج از دامنه حرکتی مجاز انگشت آسیب دیده، قید های حرکتی محدود کننده مرحله ای بصورت الکترونیکی و مکانیکی در سیستم ایجاد شده که خطر پذیری آنرا به صفر می رساند. تنظیم دامنه و محور حرکتی متناسب با انگشت از ویژگی هایی است که با توجه به قابلیت شخصی سازی بدون نیاز به تغییر اساسی و تنها با تنظیم دستی برای هر انگشت می تواند وجه تمایز مهمی برای سیستم باشد. همچنین سعی بر آن بوده که حداقل زمان برای آماده سازی و اتصالات روی انگشت لحاظ شود تا کاربردی بودن سیستم مد نظر قرار گیرد و تنها با قرار دادن و تنطیم دست و انگشت در محل مورد نظر آماده به کار شود. پس از آن الکترونیک و نیروی محرکه آن طراحی و ساخته شده که در این امر نیز از قطعات قابل اعتماد و همچنین موجود در بازار استفاده شده، از طرفی مفاهیمی همچون کنترل سرعت توسط کنترل کننده PID و انتخاب ضرایب مناسب با نرم افزار متلب و روش های موجود علمی در این پایان نامه برای سیستم مورد نظر بررسی می شود که در این مسیر ابتدا مقادیر واقعی موتور استفاده شده وارد نرم افزار شده و با ایجاد معادله مناسب برای آن تاثیر مقادیر متفاوت بر روی خروجی موتور مشاهده میشود و بهترین نتیجه در سیستم مورد استفاده قرار میگیرد. در انتهای این پایان نامه قسمت های مکانیک، الکترونیک، برنامه نویسی، تحلیل های متلب شبیه سازی و بررسی شده است همچنین سیستم بصورت عملی ساخته و تعدادی از حرکات فیزیوتراپی که معرفی می شود روی انگشت پیاده سازی و انجام شده و نتیجه حرکت مشاهده می شود.
کلیدواژه:توانبخشی، فیزیوتراپی، انگشت، ایمنی درمان، حرکات درمانی انگشت دست، سیستم توان بخشی
تاریخ دفاع: تابستان 1399

نام و نام خانوادگی:امیر حسن قیطاسی
عنوان پایان نامه: پیاده سازی و ارزیابی الگوریتم فاخته برای انتخاب بهترین دسته ویژگی در تشخیص سرطان سینه در تصاویر حرارتی
رشته تحصیلی:مهندسی پزشکی – بیوالکتریک
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر عبدالحسین رضائی

چکیده:
سرطان سینه از شایع ترین دلایل فوت در میان زنان جهان می باشد. این حقیقت توجیه کننده ی تحقیقات برای رسیدن به تشخیص زود هنگام و نیز افزایش امید به زندگی بیماران است. تصویربرداری حرارتی (ترموگرافی) یک روش تصویربرداری غیر‌تهاجمی است که برای ضبط الگوهای حرارتی با استفاده از دوربین مادون قرمز (IR) جهت تشخیص زود هنگام سرطان سینه استفاده می‌شود. انتخاب ویژگی یکی از مراحل مهم در تشخیص سرطان سینه با استفاده از تصاویرحرارتی است. هدف از اجرای مرحله انتخاب ویژگی یافتن دسته ویژگی مناسب جهت افزایش دقت و سرعت انجام مراحل پردازش تصاویر حرارتی می باشد. در مرحله انتخاب ویژگی، ویژگی هایی وجود دارد که اثر کمتری دارند یا بار اطلاعاتی چندانی ندارند یا همپوشانی دارند.
عدم حذف این ویژگی ها مشکلی از لحاظ اطلاعاتی ایجاد نمی کند، ولی باعث می شوند که اطلاعات غیر مفیدی به همراه داده های مفید ذخیره شوند و همچنین بار محاسباتی را افزایش داده و ممکن است دقت و صحت را کاهش دهند در این پایان نامه از الگوریتم انتخاب ویژگی فاخته رای انتخاب بهترین دسته ویژگی در تشخیص سرطان سینه در تصاویر حرارتی استفاده شده است. در این روش، ابتدا ویژگی های تصاویر با استفاده از روش SFTA استخراج و سپس الگوریتم انتخاب ویژگی فاخته جهت انتخاب بهترین دسته ویژگی روی آنها اعمال می شود. در روش پیشنهادی از الگوریتم های طبقه بندی کننده ی درخت تصمیم گیری (DTree)، k نزدیک ترین همسایگی (kNN) و ماشین بردار پشتیبان (SVM) برای مرحله طبقه‌بندی استفاده می‌شود. برای پیاده سازی روش پیشنهادی، از پایگاه داده DMR.IR و نرم افزار MATLAB 2018 استفاده شده است. نتایج ارزیابی نشان می دهد که استفاده از روش پیشنهادی برای انتخاب ویژگی های تصاویر حرارتی سینه باعث بهبود صحت، حساسیت و دقت در تشخیص سرطان سینه می شود.

کلیدواژه:سرطان سینه، الگوریتم انتخاب ویژگی فاخته، تصاویرحرارتی، استخراج ویژگی و انتخاب ویژگی

تاریخ دفاع: پاییز 1399

نام و نام خانوادگی:محمدحسن سلیمیان
عنوان پایان نامه: مطالعه، بررسی و بهبود روش تشخیص سرطان سینه با استفاده از دسته ویژگی های استخراج شده جدید از تصاویر حرارتی سینه
رشته تحصیلی: مهندسی پزشکی – بیوالکتریک
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر عبدالحسین رضائی

چکیده:
سرطان سینه رایج ترین نوع سرطان در بین زنان است. مطالعات پاتولوژیک نشان داده است که بیش از 80 درصد ناهنجاری های سینه در مراحل اولیه خوش خیم هستند. بنابراین مهم ترین مسأله در درمان آن تشخیص زودهنگام سرطان سینه می باشد. ترموگرافی مادون قرمز سینه یک روش تصویرگیری مبتنی بر ثبت الگوهای توزیع دمایی بافت سینه است و به دلیل غیرتهاجمی، غیرتماسی و غیرفعال بودن و عدم استفاده از تابش یونیزان، روشی مناسب درتشخیص زودهنگام سلول های سرطانی است. استخراج دسته ویژگی مناسب می تواند سرعت و دقت تشخیص سرطان سینه را افزایش دهد. در این پایان نامه یک روش جدید برای تشخیص زودهنگام سرطان سینه براساس استخراج دسته ویژگی جدید ارائه شده است. دسته ویژگی انتخاب شده شامل 17 ویژگی از جمله ویژگی های آماری شامل واریانس، میانه، مد، چولگی و کشیدگی، ویژگی های مبتنی بر هیستوگرام شامل میانگین، نُرم، انحراف معیار، ویژگی های مبتنی بر ماتریس هم وقوعی شامل کنتراست، آنتروپی، هموژنیتی، انرژی و همبستگی، ویژگی¬های مبتنی بر مورفولوژی نواحی مشکوک نظیر عدد اولر و محیط، گشتاور مرکزی با مرتبه 3 و گشتاور مرکزی با مرتبه 4 می باشد. در این روش جدید از الگوریتم های طبقه بندی کننده ی k نزدیک ترین همسایگی (kNN)، ماشین بردار پشتیبان(SVM)، شبکه عصبی پرسپترون چندلایه (MLP) و شبکه عصبی تابع پایه شعاعی (RBF) برای طبقه¬بندی تصاویر حرارتی و تعیین سرطان سینه استفاده شده است. در روش پیشنهادی با محاسبه ی مقدار ویژگی ها، ماتریس هم وقوعی با استفاده از فیلتر گابور و بدون استفاده از فیلتر گابور به الگوریتم طبقه بندی کننده داده شده است. روش پیشنهادی تشخیص سرطان سینه در نرم افزار MATLAB 2016 و با استفاده از 121 نمونه تصویر حرارتی سینه مورد ارزیابی قرار گرفته است. نتایج ارزیابی نشان می دهد که میانگین صحت در روش پیشنهادی برای الگوریتم های طبقه بندی کننده MLP، RBF، SVM و kNN برای حالت بدون اعمال فیلتر گابور به ترتیب 5/62، 8/70، 50 و 2/90 درصد، میانگین حساسیت برای این الگوریتم ها به ترتیب 6/91، 5/87، 6/41 و 5/87 درصد، و میانگین اختصاصیت برای این الگوریتم ها به ترتیب 6/25، 3/40، 2/32 و 8/46 درصد می باشد. میانگین صحت برای حالت با اعمال فیلتر گابور به ترتیب 7/67، 4/89، 5/63 و 8/95 درصد، میانگین حساسیت برای این الگوریتم ها به ترتیب 2/66، 7/85، 4/58 و 4/88 درصد، و میانگین اختصاصیت برای این الگوریتم ها به ترتیب 6/45، 4/49، 2/47 و 6/58 درصد می باشد.

کلیدواژه: سرطان سینه، ترموگرافی، پردازش تصویر، استخراج ویژگی

تاریخ دفاع: پاییز 1398

نام و نام خانوادگی: نازیلا دارابی
عنوان پایان نامه: مطالعه، بررسی و بهبود الگوریتم انتخاب ویژگی در تصاویر حرارتی برای تشخیص سرطان سینه
رشته تحصیلی:مهندسی پزشکی- بیوالکتریک
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر عبدالحسین رضائی

چکیده:
سرطان سینه یکی از دلایل اصلی مرگ و میر در زنان در سراسر جهان است و تشخیص زودهنگام آن یکی از مهم ترین اقدامات در درمان سرطان سینه است. انتخاب صحیح مجموعه ویژگی ها باعث سرعت بخشیدن به تشخیص دقیق سرطان سینه می گردد. در این پایان نامه یک روش جدید برای تشخیص سرطان سینه با استفاده از تصاویر حرراتی ارائه شده است. در این روش جدید برای انتخاب مجموعه ویژگی ها از الگوریتم RSFS و ترکیب این الگوریتم با الگوریتم های انتخاب ویژگی GA و mRMR و برای طبقه بندی و ارزیابی نتایج و تشخیص بهتر و سریع تر سرطان سینه از الگوریتم های طبقه بندی کننده KNN و SVM استفاده شده است. روش های پیشنهادی با استفاده از MATLAB 2017 و بر اساس داده-های جمع آوری شده از 121 نمونه پیاده سازی شده است. نتایج بدست آمده نشان می دهد که استفاده از الگوریتم RSFS برای انتخاب ویژگی و الگوریتم های KNN و SVM برای طبقه بندی کننده، به ترتیب بهترین صحت 36/85% و 75%، میانگین صحت 96/%77 و 52/71%، بهترین حساسیت 96% و 31/79%، میانگین حساسیت 81/92% و 22/75%، بهترین اختصاصیت 85/42% و 42/71% و میانگین اختصاصیت 74/24% و93/55% را نتیجه می دهند. به همین ترتیب استفاده از ترکیب الگوریتم های GA و RSFS برای انتخاب ویژگی و استفاده از الگوریتم های KNN و SVM برای طبقه بندی کننده، به ترتیب بهترین صحت 19/74% و 56/69%، میانگین صحت 29/72% و 20/63%، بهترین حساسیت 5/87% و 81/81%، میانگین حساسیت 88/81% و 22/75%، بهترین اختصاصیت 60% و %50 و میانگین اختصاصیت 72/27% و 48/31% را نتیجه می دهد. همچنین برای ترکیب الگوریتم های mRMR و RSFS برای انتخاب ویژگی و استفاده از الگوریتم های KNN و SVM برای طبقه بندی کننده، به ترتیب بهترین صحت 3/83% و 07/73%، میانگین صحت 99/76% و 06/68%، بهترین حساسیت 100% و 72/%72، میانگین حساسیت 25/90% و 72/68%، بهترین اختصاصیت 85/42% و 75% و میانگین اختصاصیت 93/%32 و 9/62% را نتیجه می دهد.

کلیدواژه:بتشخیص سرطان، انتخاب ویژگی، سرطان سینه، ترموگرافی سینه، تصویر حرراتی، طبقه¬بندی کننده، الگوریتم RSFS، الگوریتم mRMR، الگوریتم GA.

تاریخ دفاع: تابستان 1398

نام و نام خانوادگی: نسرین دشتستانی
عنوان پایان نامه: بهبود الگوریتم بخش‌بندی تومورهای مغزی از تصاویر MRI با استفاده از مدل مبتنی بر Level-set
رشته تحصیلی:مهندسی پزشکی- بیوالکتریک
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر راحله کافیه

چکیده:
تصاویر تشدید مغناطیسی به دلیل قدرت تفکیک‌پذیری خیلی خوبی که برای بافت‌های نرم و غیرنرم در بدن انسان دارد، در موارد بسیار زیادی برای کمک برای تشخیص و درمان تومور مغز مورد استفاده قرار می‌گیرد. روش پیشنهادی یک روش تشخیص تومور از تصاویر MRI با استفاده از تنظیم سطح است. در این روش ابتدا جهت بهبود نتایج حاصل از الگوریتم بخش‌بندی، از روش گاما و تعدیل هیستوگرام برای افزایش کنتراست استفاده می‌شود. سپس ناحیه‌های غیرطبیعی را با استفاده از کانتورفعال تشخیص داده و با استفاده از روش تنظیم سطح با دقت بیش‌تری تومور را تعیین می‌کند. در مرحله بعد برای بدست آوردن تعداد خوشه‌ها از هیستوگرام استفاده شده و از روش‌های خوشه‌بندی k میانگین (k-means) و فازی C-means (FCM) نیز برای تشخیص محل تومور استفاده می‌شود. با بررسی نتایج مشخص می‌شود که استفاده از روش‌های کاهش بعد مبتنی بر FCM دارای نتایج قابل قبولی با دقت 5/92٪ در تشخیص تومور می‌باشد.

کلیدواژه:تومور،MRI مغز، سطوح همتراز ، بخش‌بندی، خوشه‌بندی

تاریخ دفاع: زمستان 1398

نام و نام خانوادگی:حمید معراجی همدانی
عنوان پایان نامه: آنالیز غیرخطی تصاویر ترموگرافی به منظور تشخیص سرطان سینه با استفاده از شاخص های آشوبی
رشته تحصیلی:مهندسی پزشکی-بیوالکتریک
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر شهربانو فلاحیه حمیدپور

چکیده:
سرطان سینه در طول سال های اخیر بعنوان یکی از شایع ترین سرطان ها در بین بانوان شناخته می شود. همچنین این بیماری یکی از علل مرگ میر در سنین مختلف است که درمان آن ارتباط بسیار مهمی با زمان تشخیص دارد. تشخیص این نوع عارضه با وسایل و تجهیزاتی که خود عامل ایجاد جهش در سلول ها نباشد امری مهم و ارزشمند است. در این پژوهش، با استفاده از تصاویر ترموگرافی موجود، ابتدا محل توده ها شناسایی شده و پس از محاسبه شاخص های آشوبی برای توده ها،  خوش خیم یا بدخیم بودن آن مشخص می شود. در این پایان نامه با استفاده از ترکیب شاخص های محاسباتی آشوبی همچون نمای لیاپانوف، بعد فراکتال، آنتروپی KS و بعد همبستگی می توان به محاسبه ی دقیق شاخص های آشوبی که منجر به تشخیص نوع توده می شود کمک کرد. استفاده از ویژگی های ثابت می تواند کارایی بهتر ویژگی های آشوبی را اثبات نماید. شاخص های بدست آمده برای مجموعه های مختلف تصویر به عنوان ورودی های دو طبقه بند SVM و KNN در نظر گرفته شده و نوع تومور به عنوان خروجی مشخص می گردد. نتایج به دست آمده نشان می دهد دقت طبقه بندی برای مجموعه های مختلف تصاویر و برای دو طبقه بند مطرح شده بین 98.66 تا 99.33 درصد را به دست می دهد که نشان از عملکرد مناسب روش پیشنهادی دارد. همچنین طی این پژوهش این نتیجه به دست آمد که طبقه بند KNN دقت بهتری نسبت به طبقه بند SVM دارد.

کلیدواژه: سرطان سینه – تصاویر حرارتی – استخراج ویژگی – شاخصهای بی نظمی – شبکه های عصبی
تاریخ دفاع: زمستان 1399

نام و نام خانوادگی: محمد مرادی دستجردی
عنوان پایان نامه: بررسی و بهبود روش تشخیص سرطان سینه با استفاده از دسته ویژگی ترکیبی حوزه مکان و فرکانس از تصاویر حرارتی
رشته تحصیلی: مهندسی پزشکی – بیوالکتریک
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکترسیده شهربانو فلاحیه حمیدپور-دکتر عبدالحسین رضائی

چکیده:
سرطان سینه رایج ترین نوع سرطان در بین زنان است. مطالعات پاتولوژیک نشان داده است که بیش از 80 درصد ناهنجاری های سینه در مراحل اولیه خوش خیم هستند. بنابراین مهم ترین مسأله در درمان سرطان سینه تشخیص زودهنگام آن است. ترموگرافی مادون قرمز سینه یک روش تصویربرداری مبتنی بر ثبت الگوهای توزیع دمایی بافت سینه است و به دلیل غیرتهاجمی و غیرتماسی بودن و عدم استفاده از تابش پرتو يون ساز ، روشی مناسب درتشخیص زودهنگام سلول های سرطانی است. استخراج دسته ویژگی مناسب می تواند سرعت و دقت تشخیص سرطان سینه را افزایش دهد. در این پایان نامه یک روش جدید برای تشخیص زودهنگام سرطان سینه براساس استخراج دسته ویژگی جدید ارائه شده است. دسته ویژگی انتخاب شده شامل 59 ویژگی از الگوریتم الگوی باینری محلی (LBP)، نه ویژگی توسط الگوریتم SFTA و نه ویژگی به صورت انتخابی می باشد. در این روش جدید از الگوریتم های طبقه بندی-کننده ی k نزدیک ترین همسایگی (kNN)، ماشین بردار پشتیبان (SVM) و درخت تصمیم (DTree) برای طبقه بندی تصاویر حرارتی استفاده شده است. در روش پیشنهادی ویژگی های محاسبه شده، در حوزه مکان، فرکانس(با استفاده از الگوریتم کانتورلت) و ترکیب دو حوزه، به الگوریتم طبقه بندی کننده اعمال شده است. روش پیشنهادی تشخیص سرطان سینه در نرم افزار MATLAB 2019 و با استفاده از دو مجموعه تصویر از پایگاه داده DMR و پایگاه داده دانشگاه فدرال فلومینانسFFU برزیل مورد ارزیابی قرار گرفته است. نتایج ارزیابی نشان می دهد که الگوریتم های طبقه بندی کننده kNN و DTree به ترتیب بهترین میانگین صحت و بهترین میانگین حساسیت را در بین الگوریتم های بکار گرفته شده ارائه می-دهند. بیشترین صحت، اختصاصیت و حساسیت بدست آمده در حوزه فرکانس به ترتیب توسط الگوریتم LBP و الگوریتم طبقه بندی SVM، الگوریتم SFTA و الگوریتم طبقه بندیDTree و الگوریتم 9 features و الگوریتم طبقه بندی DTreeمی باشد. بیشترین صحت، اختصاصیت و حساسیت بدست آمده در ترکیب دو حوزه به ترتیب توسط الگوریتم 9 features و طبقه بند DTree، الگوریتم LBP و الگوریتم طبقه بندی DTree و الگوریتم 9 features و الگوریتم طبقه بندی kNN می باشد.

کلیدواژه:سرطان سینه، ترموگرافی، پردازش تصویر، استخراج ویژگی

تاریخ دفاع: زمستان 1399

نام و نام خانوادگی:نرگس مسعودی حسین آباد
عنوان پایان نامه: تشخیص بیماری سرطان سینه از تصاویر ماموگرافی به کمک موجک گابور بهبود یافته
رشته تحصیلی:زیست شناسی علوم سلولی و مولکولی
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر راحله کافیه

چکیده:
سرطان سینه (پستان)، یکی از عوامل اصلی مرگ و میر زنان، دومین عامل کشنده ی بانوان و همچنین، عامل ایجاد چالش های بزرگ در دنیای پزشکی می باشد. سازمان بهداشت جهانی در سال 2015 میلادی اعلام کرد که سالیانه حدود 560000 زن، از سرطان سینه در سراسر جهان جان خود را از دست می دهند. همین عامل باعث شده است زنانی که به سن 40 سال رسیده اند، سالانه مورد ارزیابی و آزمایش برای تشخیص این بیماری قرار گیرند. نتایج حاصل ازپژوهش های میدانی نشان داده است که تشخیص زود هنگام سرطان، باعث کاهش مرگ  و میر بین 30 تا 60 درصد شده است. در علوم مرتبط با مهندسی پزشکی، عموماً از روش های پردازش تصاویر ماموگرافی نظیر تبدیل موجک، تبدیل گابور، گابور پیشرفته، شبکه های عصبی مصنوعی و…، به دلیل دقت و حساسیت مناسب آنها، برای توصیف گری بافت های سرطانی برای تشخیص سرطان استفاده می شود. نکته ی مهم آن است که شاید به جرأت بتوان گفت مهم-ترین محدودیت و چالش در راستای شناسایی توده های سرطانی زنان، متراکم بودن بافت سینه  و مشابهت بسیار زیاد آن ها با بافت های سرطانی می باشد. با توجه به محدودیت¬های نام برده، استفاده از فیلتر گابور، یک راه کار مناسب می باشد. مهم ترین مزیت این فیلتر، بهبود عملکرد و حذف توده های غیر دلخواه تشخیص داده شده می باشد. این فیلتر، استخراج ویژگی، تعیین بافت¬های خوش¬خیم و بدخیم طبیعی و جداسازی بافت های سرطانی و همچنین، بهبود کیفیت بافت های سرطانی تشخیص داده شده و شناسایی بافت های متراکم را می تواند انجام دهد. آنچه که از فیلتر گابور ارائه گردید، کماکان به دلیل تراکم زیاد بافت های پستان، تشخیص بیماری دچار مشکل می شود. این معضل، در فیلترهای گابور استاندارد، برای پژوهشگران یک مانع و محدودیت می باشد. رفع این چالش، می تواند موضوع مهمی برای کار محققین باشد. لذا، درطی سالیان اخیر، با اعمال بهبودهایی، از این فیلتر در راستای استخراج ویژگی در یک مجموعه ی بافت ضخیم برای تعیین میزان تراکم پستان، به منظور رفع مشکل فوق، استفاده شده است. در این پایان نامه، با استفاده از فیلتر گابور پیشرفته، به بحث پردازش تصاویر ماموگرافی پرداخته ایم. نتایج حاصل از بررسی های مختلف، نشان می دهد که با استفاده از کلاسبند SVM، میانگین دقت استفاده از این روش، برابر 2/92%، صحت برابر 2/97% حساسیت برابر 2/94% و همچنین، اختصاصیت نیز برابر با 8/74% می باشد.

کلیدواژه: ماموگرافی، سرطان سینه، گابور، موجک

تاریخ دفاع: پاییز 1398

نام و نام خانوادگی: سبحان خدادادی ارپناهی
عنوان پایان نامه: استخراج شبکه دینامیکی ارتباطات موثر مغزی در بیماران مبتلا به آلزایمر به منظور تعیین سطح تخریب مبتنی بر آنالیز سری¬های زمانی BOLD و مدلسازی علیت گرنجر
رشته تحصیلی:مهندسی پزشکی- بیوالکتریک
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر مجید پولادیان

چکیده:
مطالعات اخیر نشان داده که افزایش سن و اختلالات عصبی نظیر “اختلال خفیف شناختی” (MCI) و در مرحله پیشرفته تر “بیماری آلزایمر” (AD) می تواند بر روی ارتباطات موثر و عملکردی مغز تاثیر بگذارد. بنابراین نیاز است تا به کمک یک تکنیک غیرتهاجمی نظیر تصویربرداری تشدید مغناطیسی عملکردی یا fMRI، بیومارکرهای اولیه بیمای آلزایمر را شناسایی کرد. در دهه گذشته به سبب تصویربرداری عملکردی، عصر نوینی در مطالعات شناختی آغاز شده است. به کمک داده های حالت استراحت تصویربرداری تشدید مغناطیسی عملکردی (Rs-fMRI) می توان فعالیت عصبی و نورونی خود به خودی و ذاتی مغز را مورد بررسی قرار داد. اخیرا رویکرد بررسی مغز در حالت استراحت به کمک سیگنال وابسته به سطح اکسیژن خون (BOLD Signal) میسر شده¬است.
هدف از این مطالعه کشف ارتباطات مغزی و رابطه علت و معلولی بین لوب های مختلف مغز در بررسی پیشرفت بیماری آلزایمر در یک فرد در طول سالیان  متوالی و بدست آوردن مرز تفاوت برای افراد سالم و افراد دارای بیماری آلزایمر بطور مشخص با استفاده از معیارهای همبستگی غیرخطی است. هدف نهایی این است که بتوان به کمک روش پیشنهادی، یک معیار برای پیش بینی بیماری آلزایمر به دست آورد.
در این مطالعه از دیتاست ADNI استفاده شده است. از علیت گرنجر به منظور مدلسازی سری های زمانی استفاده شده است تا بتوان به رابطه علت و معلولی بین ارتباطات مغزی پی برد. از اطلس دوزنبپچ نیز برای استخراج نواحی مورد علاقه (ROI) بهره برده شده است. در نهایت از معیارهای غیر خطی (نظیر گرنجر اسپیرمن و گرنجر کندال) برای استخراج ارتباطات موثر مغزی در لوب های مختلف مغز استفاده شده است.
نتایج حاصل از این پژوهش نشان داد که افراد آلزایمری در گذر زمان دچار کاهش در ارتباطات موثر مغزی در ناحیه مخچه و ناحیه هیپوکامپ می شوند. این کاهش ارتباط سبب کاهش در میزان ذخیره سازی حافظه فرد و در نهایت زوال عقل در وی خواهد شد.
این پژوهش پیشنهاد می دهد تا برای درک بهتر و عمیق تر اثر آلزایمر بر روی ارتباطات مغزی در گذر زمان مدالیته های مختلفی همچون EEG یا PET-Scan را با روش پیشنهادی ترکیب کرد تا بتوان درک کامل و درستی از آلزایمر را بر روی شبکه های ارتباطات مغزی داشت.

کلیدواژه:تصویربرداری تشدید مغناطیسی کارکردی، ارتباطات مغزی، آنالیز سری های زمانی، بیماری آلزایمر، مدلسازی علیت گرنجر

تاریخ دفاع: زمستان 1398

نام و نام خانوادگی: پیمان نجفی خانی آبادی
عنوان پایان نامه: بهینه سازی مصرف انرژی با کاهش تاخیر در شبکه بی سیم بدن و شبیه سازی آن با نرم افزار OMNET++
رشته تحصیلی:مهندسی پزشکی- بیوالکتریک
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر شهربانو فلاحیه حمیدپور

چکیده:

امروزه با افزایش روزافزون جمعیت و هزینه‌های سنگین خدمات پزشکی و پیشگیری و مبارزه با بیماری‌های همه‌گیر (اپیدمی) باعث پدید آمدن فناوری‌های جدید مانند شبکه‌های بی‌سیم بدن(WBAN) شده است، که بر پایه گره‌های حسگر هوشمند برای اندازه‌گیری، سنجش و نظارت بر علائم حیاتی بیمار هستند. محققان در سال‌های اخیر به استفاده از WBANS‌ها علاقه‌مند شده‌اند. دلیل استفاده از این شبکه‌ها این است که هرساله میلیون‌ها نفر به علت بیماری‌هایی مانند آسم، دیابت، بیماری‌های قلبی عروقی و بیماری‌های دیگر از دنیا می‌روند. نظارت بر سلامتی با استفاده از برنامه‌ی WBANS انجام می‌شود. حسگرها بر روی بدن انسان قرار می‌گیرند و می‌توانند بر علائم حیاتی نظیر ضربان قلب، فشارخون، سطح گلوکز، دمای بدن و دیگر موارد نظارت کنند. یک WBAN نظارت مداوم بر سلامت یک بیمار را بدون محدودیت در فعالیت‌های زندگی روزمره شخص فراهم می‌کند و سبب می‌گردد که هزینه‌های بیمار در بیمارستان کاهش پیدا کند. در این روش احتیاجی به بستری کردن بیمار در بیمارستان نیست و بیمار می‌تواند در منزل تحت مراقبت قرار گیرد. یک شبکه حسگر منطقه بدن، اتصال گره‌های متعددی است که می‌تواند روی بدن یا درون بدن فرد قرار گیرد و کنترل سلامت او را از راه دور بر عهده ‌گیرند. هدف از WBAN ها ساده‌سازی و بهبود سرعت، دقت و پایایی ارتباط سنسورها در داخل و در مجاورت بدن یک انسان است. با توجه به اهمیت کاربرد این نوع شبکه‌ها و دشوار بودن شارژ یا تعویض گره‌های حسگر، مصرف انرژی یکی از چالش‌های مهم در این شبکه‌ها بشمار می‌آید. در این پایان‌نامه از یک روش جدید مسیریابی چندگامه برای کاهش مصرف انرژی استفاده‌شده است. در این روش از هشت گره برای ارسال اطلاعات استفاده‌شده است. در پروتکل پیشنهادی هر گره از بین گره‌های کاندید با توجه به مقدار تابع هزینه گام بعدی را مشخص می‌کند. همچنین هر بسته حداکثر می‌تواند دو گام را تا رسیدن به چاهک طی کند. تابع هزینه جدید برای انتخاب گام بعدی با توجه به انحراف معیار انرژی و فاصله تعیین می‌گردد. نتایج با الگوریتم­های SIMPLE و EECBR مقایسه شده و توانسته است موجب کاهش مصرف انرژی در شبکه شود. همچنین عملکرد الگوریتم را ازلحاظ تعداد بسته­های رسیده به مقصد بهبود بخشد.

کلیدواژه:شبکه حسگر بی­سیم سطح بدن، مسیریابی چندگامه، بهره‌وری انرژی، پروتکل مسیریابی

تاریخ دفاع: زمستان 1399

نام و نام خانوادگی: محمد حسن جوانبخت
عنوان پایان نامه: تشخیص عامل بیماری آسپرژیلوزیس ریوی از روی تصاویر پاتولوژی توسط روشهای شناسایی الگو
رشته تحصیلی: مهندسی پزشکی -بیوالکتریک
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر حسین نوروزی

چکیده: پردازش تصویر دانش جدیدی است که پس از اختراع رایانه ها پدیدار شده و در چند دهه اخیر از هر دو جنبه نظری و عملی پیشرفت چشمگیری داشته است. الگو یک ابزار مفید برای تجزیه وتحلیل و توصیف رفتار سیستمهای پیچیده غیرخطی در غیاب معادلات اساسی میباشد و امکان آنالیز فنی را فراهم می نماید. الگوهای بافت سالم و ناسالم متناسب با هدف (بیماری) به طور طبیعی اساس شناسایی الگو محسوب می شوند. بیماری آسپرژیلوزیس ریوی یکی از کشنده ترین بیماریهای حاد و تحت حاد انسان در مقطع زمان کوتاه میباشد. تشخیص سریع و درمان مناسب، بهبودی و زنده ماندن را در این بیماران به میزان قابل توجهی افزایش می دهد. درحال حاضر تنها روش تشخیص قطعی این بیماری، نمونه پاتولوژی و تاًیید آن براساس تجربیات شخصی پاتولوژیستها می باشد.
در این پایان نامه یک روش تشخیصی جدید برای این بیماری با استفاده از تکنیکهای پردازش تصویر و روش شناسایی الگو معرفی شده است. برای این منظور ابتدا پیش پردازشهای اولیه برروی تصاویر انجام شد، سپس
بخش بندی با استفاده از چهار روش؛ الگوریتم اتسو، اعمال آستانه دستی و الگوریتم اتسو، الگوریتم کانتور فعال و الگوریتم فیلترهای بافتی صورت پذیرفت. نتایج حاصل از یک ارزیابی اولیه در این قسمت و مقایسه مقادیر
میانگین و واریانس هر یک از الگوریتمها، الگوریتم بخشبندی اتسو به همراه اعمال آستانه گذاری دستی بدلیل دارا بودن بالاترین مقدار حساسیت و صحت به عنوان بهترین الگوریتم بخشبندی انتخاب گردید.  در مرحله استخراج ویژگی و طبقه بندی با استفاده از سه روش؛ الگوریتم طبقه بندی با استفاده از ویژگیهای آماری و شش ویژگی حوزه مکان، الگوریتم طبقه بندی با استفاده از شدت روشنایی و الگوریتم طبقه بندی بیز صورت پذیرفت. به منظور بهبود نتایج الگوریتمها از دو تکنیک همسانسازی هیستوگرام و اعمال دریچه تیزکننده نیز استفاده گردید. با انجام یک ارزیابی نهایی، الگوریتم طبقه بندی بیز به همراه اعمال فیلتر تیزکننده ، بعنوان بهترین روش و صحت مستقل بودن کلاس دادهها و همچنین مقدار اختصاصیت تشخیصی به ثبت رسید. نتایج حاصل بیانگر این است که از تکنیکهای پردازش تصویر و روش شناسایی الگو می توان برای تشخیص سریع و به موقع عامل بیماری قارچی آسپرژیلوزیس ریوی در نمونه بالینی استفاده نمود. در صورت تکمیل بانک اطلاعات و محقق شدن روش پیشنهادی در بالین، تشخیص اولیه را سرعت بخشیده و درنهایت شانس زنده ماندن بیماران را افزایش و عوارض ناشی از تشخیص دورهنگام و همچنین پرداخت هزینه تشخیص؛ توسط بیمار را کاهش میدهد.

کلیدواژه: پردازش تصویر، شناسایی الگو، عامل بیماری آسپرژیلوزیس ریوی، تصویر پاتولوژی ریه

تاریخ دفاع: پاییز 1398

نام و نام خانوادگی:سپیده فرخی پور
عنوان پایان نامه: تشخیص بیماری رتینوپاتی دیابتی از روی تصاویر شبکیه چشم مبتنی بر استخراج ویژگی¬های محلی و آماری و کاربرد ماشین بردار پشتیبان
رشته تحصیلی: کارشناسی ارشد رشته مهندسی پزشکی- بیوالکتریک
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر سعید نصری

چکیده: رتینوپاتی دیابتی به‌عنوان یکی از بیماری­های مهم در چندین دهه اخیر برشمرده می­شود. رشد جوامع و تغذیه ناسالم، منجر به دیابت و در ادامه رتینوپاتی دیابتی در شبکیه چشم می‌شود. پخش گسترده این بیماری می­ تواند منجر به از دست دادن بینایی افراد شود. لذا ایجاد یک سیستم تشخیص هوشمند پزشکی در این بیماری، مسئله‌ای مهم و حیاتی برشمرده می­شود. در این تحقیق، یک روش هوشمند مبتنی بر اصول پردازش تصویر همراه با بینایی ماشین، یادگیری ماشین و تحلیل داده­کاوانه ارائه‌شده است. رهیافت پیشنهادی دارای چهار بخش اصلی شامل پیش­پردازش، تقطیع، استخراج ویژگی با ترکیب الگوریتم‌های تحلیل مؤلفه اصلی همراه با بُعد فرکتال مبتنی بر چولگی و کشیدگی، طبقه­بندی با ماشین بردار پشتیبان است. در بخش طبقه­بندی، دو کلاس اصلی بیمار و غیر بیمار ایجاد می­گردد. نتایج حاصل نشان می­دهد که دقت رویکرد پیشنهادی 24/98درصد با حساسیت 84­درصد و نرخ اختصاصیت 96/88درصد است. الگوریتم پیشنهادی این پژوهش دارای برتری در شاخص دقت به‌اندازه 72/3درصد نسبت به مقاله پایه ارائه‌شده در سال 2017 می­باشد.

کلیدواژه: رتینوپاتی دیابتی، پردازش تصویر، فرکتال، ماشین بردار پشتیبان

تاریخ دفاع: پاییز 1398

نام و نام خانوادگی : بهاره قنبری عدیوی
عنوان پایان نامه : مطالعه ببرسی وبهبود مصرف انرژی در شبکه های بی سیم بدنی درسلامت الکترونیکی
رشته تحصیلی : مهندسی پزشکی – بیوالکتریک
مقطع تحصیلی : کارشناسی ارشد ناپیوسته
استاد راهنما : دکتر عبدالحسین رضائی

چکیده: شبکه­ ی بی­سیم بدنی (WBAN) مجموعه­ای از گره­ های مستقل از قبیل سنسورها و محرک­ها می­باشد که در عمق بافت­ها­ روی بدن و یا لباس فرد قرار می­گیرد و به دلیل پوشش دادن محدودیت­ جا­به ­جایی، علاقه­ ی پژوهشگران را به خود جلب کرده است. به دلیل کاربرد وسیع WBANها در پزشکی و غیرپزشکی (نظامی، سرگرمی و …..) تأمین انرژی آنها بسیار مهم است تا در شرایط خاص و مهم دچار اتمام انرژی نشوند و بتوانند اطلاعات را به طور مداوم و به موقع ارسال کنند. در این پایان نامه راه حلی جدید برای بهبود انرژی در WBANها با توجه به  استاندارد 4. 15. 802 IEEE و پروتکل MAC ارائه شده است. در راه حل جدید، روشی برای کاهش یکی از مشکلات استاندارد که گوش دادن به ACKها و بیکن­ هاست، باعث افزایش مصرف انرژی و نهایتاً منجر به کاهش عمر شبکه می­شود، ارائه شده است. در طرح پیشنهاد شده دسترسی به کانال برای یک گره و دو گره بررسی شده است و به ازاء هر دو بسته­ ی داده، ارسال یک بسته­ ی ACK در نظرگرفته شده است. بررسی ­ها نشان می­دهد که استفاده از طرح پیشنهادی باعث کاهش زمان تأخیر و مصرف انرژی در مقایسه با سایر طرح­ها می­شود.
واژه‌های كليدی: شبکه­ ی بی سیم بدنی، مصرف بهینه ­ی انرژی، سلامت الکترونیکی