دفاعیه دکتری در دانشکده ریاضی و علوم کامپیوتر

روژین ستایشی (دانشجوی دوره دکتری دانشکده ریاضی و علوم کامپیوتر- رشته ریاضی کاربردی گرایش تحقیق در عملیات)، بیستم بهمن ماه ۱۴۰۳ از رساله خود با عنوان «تحلیل و دسته بندی تصاویر پزشکی به کمک شبکه های عصبی پیچشی عمیق» دفاع نمود.
چکیده این رساله که به راهنمایی دکتر جواد وحیدی انجام شده، به شرح زیر می‌باشد.
چکیده:
این رساله به بررسی کاربرد هوش مصنوعی، به‌ویژه یادگیری عمیق، در تشخیص بیماری‌های ریوی مانند سل و سرطان ریه با استفاده از تصاویر برونکوسکوپی می‌پردازد. بیماری‌های ریوی، از جمله سل و سرطان ریه، از علل اصلی مرگ‌ومیر در جهان هستند و چالش‌های قابل‌توجهی در زمینه تشخیص و درمان به همراه دارند. این پژوهش، پتانسیل سیستم‌های کمک ‌تشخیصی رایانه‌ای را در حمایت از پزشکان در بهبود دقت تشخیص و کاهش روش‌های تهاجمی غیرضروری در طول برونکوسکوپی مورد بررسی قرار می‌دهد.
در این رساله دو مدل مختلف ارائه شده است. نخست، یک مدل چندوظیفه‌ای پیشنهاد شده است که با استفاده از ماژول فشرده‌سازی و تحریک (SE) به چالش تفکیک سل و سرطان که اغلب علائم همپوشانی دارند، پاسخ می‌دهد. این سیستم با ارزیابی روی یک مجموعه‌داده شامل ۵۱۵ تصویر، به دقت کلی ۹۰.۶٪ دست یافته است، با حساسیت‌های ۹۱.۳٪ برای سرطان، ۸۱.۵٪ برای سل، و ۹۶.۲٪ برای موارد طبیعی.
در سیستم دوم، یک سیستم ‌آبشاری مبتنی بر DenseNet-۱۲۱ که شامل دو طبقه‌بند است: طبقه‌بند طبیعی-غیرطبیعی برای شناسایی یافته‌های غیرعادی در تصاویر برونکوسکوپی و طبقه‌بند سل-سرطان برای تفکیک موارد سل و سرطان. برای بهبود عملکرد و کاهش هزینه‌های محاسباتی، از تکنیک‌های تقطیر مدل استفاده شده است تا دانش از مدل‌های پیچیده به نسخه‌های کوچک‌تر و بهینه‌تر منتقل شود. در سیستم ‌آبشاری تقطیر شده، تعداد لایه‌های متراکم در طبقه‌بند طبیعی- غیرطبیعی از ۵۸ به ۳۴ و در طبقه‌بند سل-سرطان از ۵۸ به ۳۲ کاهش یافته است. با وجود این کاهش، سیستم توانسته است دقت تشخیصی خود را بهبود بخشد. این سیستم ‌آبشاری با ارزیابی روی مجموعه داده مشابه، به دقت کلی ۹۱.۵٪ دست یافته است، با حساسیت‌های ۹۲.۲٪ برای سرطان، ۸۰.۳٪ برای سل، و ۹۸.۸٪ برای موارد طبیعی.
این رساله تأثیرگذاری سیستم‌های کمک‌ تشخیصی مبتنی بر هوش مصنوعی را در بهینه‌سازی تحلیل تصاویر پزشکی، بهبود دقت تشخیصی، کاهش هزینه‌های محاسباتی، وارائه پشتیبانی مؤثرتر به پزشکان در تشخیص بیماری‌های ریوی در طول برونکوسکوپی را نشان می‌دهد.
کلمات کلیدی: سیستم کمک ‌تشخیصی رایانه‌ای، سیستم چندوظیفه‌ای، سیستم‌آبشاری، تقطیر مدل، شبکه DenseNet، ماژول فشرده‌سازی و تحریک، برونکوسکوپی، سرطان ریه، سل.

نشانی الکترونیکی دانشجو: setayeshi_rmathdep.iust.ac.ir