فاطمه آقاگلی(دانشجوی دوره دکتری دانشکده ریاضی و علوم کامپیوتر- رشته ریاضی کاربردی- آمار)، ۹ تیرماه ۱۴۰۳ از رساله دکتری خود با عنوان «رویکردی جدید براساس مدل تحلیل عاملی آمیخته اصلاح‌شده و هم‌خوشه‌بندی برای تشخیص و محلی‌سازی تومور در تصاویر پزشکی» دفاع می‌کند. چکیده این رساله که به راهنمایی دکتر رحمان فرنوشانجام شده، چنین است. ضمنا این جلسه دفاعیه، ساعت ۱۷ در تالار دکتر حسنی دانشکده ریاضی و علوم کامپیوتر برگزار می‌شود. چکیده: باوجود پیشرفت‌های قابل‌توجه در زمینه تشخیص تومور در تصاویر پزشکی، تشخیص دقیق و قابل‌اعتماد برای موفقیت درمان، نجات جان بیمار و کاهش هزینه‌ها در کوتاه ترین زمان ممکن همچنان یک کار مهم و چالش‌برانگیز است. برای اولین بار در این رساله، تشخیص دقیق و خودکار تومورها و محلی‌سازی آن‌ها در تصاویر پزشکی خاکستری با استفاده از کاهش بعد محلی پس از کاهش اندازه تصویر اصلی انجام می‌شود. برای این منظور، یک الگوریتم مبتنی بر مدل تحلیل عاملی آمیخته اصلاح‌شده براساس هم‌خوشه‌بندی و هم‌خوشه‌بندی پویا پیشنهاد می‌شود. ابتدا، مدل پیشنهادی تعداد خوشه‌های سطری و ستونی را هم‌زمان با برآورد پارامترهای مدل براساس اندازه تومور بهینه می‌کند. سپس، با استفاده از مقادیر بهینه به‌دست‌آمده، مکان سطر‌ها و ستون‌ها با خوشه‌بندی هم‌زمان آن‌ها تغییر می‌کند تا زمانی که بلوکی حاوی تومور شناسایی شود. در این فرآیند، تصویر به تعداد مشخصی بلوک تقسیم می‌شود که یکی از آن‌ها حاوی تومور است. تعداد بلوک‌ها حاصل‌ضرب دکارتی تعداد بهینه خوشه‌های سطری و تعداد بهینه خوشه‌های ستونی است. درنهایت، بلوک شناسایی‌شده با استفاده از آستانه‌گیری مینیمم خطا دودویی می‌شود و توسط مدل پیشنهادی بر روی تصویر ورودی محلی‌سازی می‌شود، درحالی‌که باقی‌مانده تصویر به‌عنوان پس‌زمینه در نظر گرفته‌می‌شود. عملکرد الگوریتم پیشنهادی بر روی تصاویر ماموگرافی گرفته‌شده از مجموعه داده‌های MIAS و DDSM و تصاویر MRI مغز از مجموعه داده‌های BraTS۲۰۱۸،BraTS۲۰۱۹ و BraTS۲۰۲۰ ارزیابی می‌شود. نتایج عملکرد مؤثر الگوریتم پیشنهادی را در تشخیص سریع و بسیار دقیق تومورهایی با اندازه‌‌ها و مکان‌های مختلف در تصاویر با ابعاد بالا نشان می‌دهد. هم‌چنین، در این رساله، به پیش‌پردازش و بهبود کنتراست تصاویر ماموگرافی خام با یک رویکردی جدید پرداخته می‌شود و عضله واقعی سینه با استفاده از تکنیک افزایش داده شبیه‌سازی می‌شود. نتایج نشان می‌دهد که رویکرد پیشنهادی با حذف کامل و دقیق نواحی غیرضروری ناحیه موردنظر را استخراج می‌کند وکیفیت تصویر را بدون ایجاد اثرات نامطلوب استاندارد می‌کند. علاوه‌براین، این رویکرد در گام پیش‌پردازش پایداری خود را نسبت به نویز نشان می‌دهد. کلمات کلیدی:تحلیل عاملی آمیخته اصلاح‌شده، هم‌خوشه‌بندی، هم‌خوشه‌بندی پویا، تشخیص تومور، پیش‌پردازش و بهبود کنتراست، شبیه‌سازی عضله سینه، تکنیک افزایش داده. نشانی الکترونیکی دانشجو: f_aghagolimathdep.iust.ac.ir
.jpg)
mathdep.iust.ac.ir
