تعداد بازدید: 437

اطلاعیه دفاع پایان‌نامه کارشناسی ارشد - ارائه دهنده: گلنوش شکریان

شناسه: 3152418

بسمه تعالی

گروه مهندسی پزشکی

اطلاعیه دفاع پایان‌نامه کارشناسی ارشد

تشخیص و طبقه بندی بیماری کووید 19 از طریق تصویربرداری اولتراسوند قفسه سینه با استفاده از یادگیری عمیق

ارائه دهنده: گلنوش شکریان

زمان:      30/07/1402     ساعت 17:30                                          مکان:  کلاس 112 ساختمان فرشچیان

استاد راهنما:       دکتر محمد باقر خدابخشی                  مرتبه علمی:  استادیار دانشگاه: دانشگاه صنعتی همدان

استاد داور داخلی: دکتر سمیرا عباسی                            مرتبه علمی: استادیار  دانشگاه: دانشگاه صنعتی همدان استاد داور خارجی:    دکتر حمیدرضا شاهدوستی           مرتبه علمی:   دانشیار   دانشگاه: دانشگاه صنعتی همدان

چکیده:

بیماری کرونا شایع ترین بیماری همه گیر قرن اخیر می­باشد. انتخاب یک سیستم سریع، کارآمد با کمترین خطا برای تشخیص بیماری کووید 19 یکی از دغدغه های سیستم سلامت هر کشوری می­باشد. در حال حاضر روش های مختلفی از جمله تست PCR، آزمایش خون و استفاده از اشعه X (رادیوگرافی و سی تی اسکن) برای تشخیص این بیماری وجود دارد. تشخیص و طبقه بندی افراد مبتلا به ویروس کرونا با استفاده از تصاویر بدست آماده حاصل استفاده از امواج اولتراسوند در دستگاه سونوگرافی یک روش جدید، کارآمد، در دسترس و غیر تهاجمی می­باشد که به تازگی مورد توجه قرار گرفته است. کارآمد­ترین و متداول ترین دستگاه در استفاده از امواج اولتراسوند، دستگاه سونوگرافی می­باشد که در اکثر مراکز درمانی بصورت مبله، پرتابل و موبایل در دسترس و برای مادران باردار مبتلا به کرونا قابل استفاده است.

در این نقش یادگیری عمیق در تشخیص و طبقه بندی بیماران مبتلا به کووید19 با استفاده از تصاویر پزشکی و مطالعات انجام شده در این زمینه مورد بررسی قرار گرفته است. در این بررسی ساختار شبکه های عصبی و مجموعه دادگان به کار رفته، چگونگی پیاده سازی شبکه به منظور رسیدن به بهترین عملکرد مورد بررسی قرار گرفته شده است. در ادامه، توانایی شبکه های کانولوشنی در تشخیص بیمار کووید19 از افراد سالم و سایر عفونت های ریوی در تصاویر حاصل از اشعه ایکس ( تصاویر رادیوگرافی و سی تی اسکن) بررسی گردید. پس از آن، عملکرد دسته متنوعی از مدل های کانولوشنی عمیق شامل شبکه Inception، ResNet50 و Xception بر پایه دادگان ناشی از تصاویر اولتراسوند ریه مورد بهره برداری قرار گرفت. نتایج نشان داد، تلفیق روش یادگیری انتقالی و شبکه Inception هنگامی که از دادگان سونوگرافی ریه برای ارزیابی بیماری بهره برداری شد منجر به ایجاد بهترین نتیجه گردید. از آنجایی که ماهیت تصاویر سونوگرافی دارای توالی زمانی است به کارگیری شبکه های کانولوشنی مبتنی بر زمان نیز مورد ارزیابی قرار گرفت. 

​​​​​​​

تعداد بازدید: 437

اطلاعیه دفاع پایان‌نامه کارشناسی ارشد - ارائه دهنده: گلنوش شکریان

شناسه: 3152418

بسمه تعالی

گروه مهندسی پزشکی

اطلاعیه دفاع پایان‌نامه کارشناسی ارشد

تشخیص و طبقه بندی بیماری کووید 19 از طریق تصویربرداری اولتراسوند قفسه سینه با استفاده از یادگیری عمیق

ارائه دهنده: گلنوش شکریان

زمان:      30/07/1402     ساعت 17:30                                          مکان:  کلاس 112 ساختمان فرشچیان

استاد راهنما:       دکتر محمد باقر خدابخشی                  مرتبه علمی:  استادیار دانشگاه: دانشگاه صنعتی همدان

استاد داور داخلی: دکتر سمیرا عباسی                            مرتبه علمی: استادیار  دانشگاه: دانشگاه صنعتی همدان استاد داور خارجی:    دکتر حمیدرضا شاهدوستی           مرتبه علمی:   دانشیار   دانشگاه: دانشگاه صنعتی همدان

چکیده:

بیماری کرونا شایع ترین بیماری همه گیر قرن اخیر می­باشد. انتخاب یک سیستم سریع، کارآمد با کمترین خطا برای تشخیص بیماری کووید 19 یکی از دغدغه های سیستم سلامت هر کشوری می­باشد. در حال حاضر روش های مختلفی از جمله تست PCR، آزمایش خون و استفاده از اشعه X (رادیوگرافی و سی تی اسکن) برای تشخیص این بیماری وجود دارد. تشخیص و طبقه بندی افراد مبتلا به ویروس کرونا با استفاده از تصاویر بدست آماده حاصل استفاده از امواج اولتراسوند در دستگاه سونوگرافی یک روش جدید، کارآمد، در دسترس و غیر تهاجمی می­باشد که به تازگی مورد توجه قرار گرفته است. کارآمد­ترین و متداول ترین دستگاه در استفاده از امواج اولتراسوند، دستگاه سونوگرافی می­باشد که در اکثر مراکز درمانی بصورت مبله، پرتابل و موبایل در دسترس و برای مادران باردار مبتلا به کرونا قابل استفاده است.

در این نقش یادگیری عمیق در تشخیص و طبقه بندی بیماران مبتلا به کووید19 با استفاده از تصاویر پزشکی و مطالعات انجام شده در این زمینه مورد بررسی قرار گرفته است. در این بررسی ساختار شبکه های عصبی و مجموعه دادگان به کار رفته، چگونگی پیاده سازی شبکه به منظور رسیدن به بهترین عملکرد مورد بررسی قرار گرفته شده است. در ادامه، توانایی شبکه های کانولوشنی در تشخیص بیمار کووید19 از افراد سالم و سایر عفونت های ریوی در تصاویر حاصل از اشعه ایکس ( تصاویر رادیوگرافی و سی تی اسکن) بررسی گردید. پس از آن، عملکرد دسته متنوعی از مدل های کانولوشنی عمیق شامل شبکه Inception، ResNet50 و Xception بر پایه دادگان ناشی از تصاویر اولتراسوند ریه مورد بهره برداری قرار گرفت. نتایج نشان داد، تلفیق روش یادگیری انتقالی و شبکه Inception هنگامی که از دادگان سونوگرافی ریه برای ارزیابی بیماری بهره برداری شد منجر به ایجاد بهترین نتیجه گردید. از آنجایی که ماهیت تصاویر سونوگرافی دارای توالی زمانی است به کارگیری شبکه های کانولوشنی مبتنی بر زمان نیز مورد ارزیابی قرار گرفت. 

​​​​​​​

سایر اطلاعیه ها

افزودن نظرات