|
|
|
|
روابط عمومی دانشگاه- دفاعیه های دکترا
|
دفاعیه دکتری در دانشکده ریاضی و علوم کامپیوتر
|
|
| حذف تصاویر و رنگ‌ها | تاریخ ارسال: 1403/7/2 | |
دفاعیه دکتری در دانشکده ریاضی و علوم کامپیوتر
سید حمیدرضا نوش‌کاران )دانشجوی دوره دکتری دانشکده ریاضی و علوم کامپیوتر- رشته ریاضی کاربردی( ۳ مهرماه ۱۴۰۳ از رساله خود با عنوان «کاربرد روشهای خوشه‌بندی و هم‌خوشه‌بندی در تشخیص تومور مغزی از تصاویر ام‌آر» دفاع خواهد نمود.
چکیده این رساله که به راهنمایی دکتر رحمان فرنوش انجام شده، به شرح زیر است. ضمنا این جلسه دفاعیه ساعت۸:۳۰ در دانشکده ریاضی و علوم کامپیوتر برگزار می‌شود.
چکیده این رساله به شرح زیر می‌باشد.
تشخیص تومور مغزی در طی سال‌های متمادی یکی از ضروری‌ترین و رقابتی‌ترین مسائل برای محققان حوزه پزشکی بوده است. روشهای زیادی برای تشخیص بافت‌های طبیعی و غیرطبیعی در تصاویر تشدید مغناطیسی (ام‌آر) توسعه یافته‌اند. اهمیت دقت در الگوریتم‌های ارائه‌شده در این حوزه باعث شده است که محققان تلاش روزافزون خود برای ارائه الکوریتم‌های دقیق‌تر و سریع‌تر را ادامه دهند. با گسترش چشم‌گیر الگوریتم‌های هوش مصنوعی و یادگیری ماشین در سال‌های اخیر، کاربرد این روش‌ها در مسئله تشخیص تومور نمود زیادی پیدا کرده است.
در این رساله کاربرد روشهای خوشه‌بندی و هم‌خوشه‌بندی که در زمره روشهای بدون نظارت هستند، در مسئله تشخیص تومور مغزی از تصاویر ام‌آر مورد بررسی قرار می‌گیرد. روشهای بدون نظارت و به‌خصوص خوشه‌بندی در تحقیقات زیادی برای مسئله تشخیص تومور مورد استفاده قرار گرفته‌اند اما هم‌خوشه‌بندی که به خوشه‌بندی همزمان سطرها و ستون‌های ماتریس اطلاق می‌شود، به دلیل محدودیت‌هایی که دارد در این مسائل به ندرت مورد استفاده قرار گرفته است. این باعث می‌شود که نتوانیم از مزیت‌های این روش‌ها مانند سرعت بالا در اجرا و همچنین توانایی بالا در تشخیص موارد مشابه در داده‌های ماتریسی، استفاده کنیم. یک الگوریتم هم‌خوشه‌بندی، پس از اجرا روی یک داده ماتریسی، ماتریس جدیدی به همراه هم‌خوشه‌های بلوکی شکل تولید می‌کند. شکل بلوکی هم‌خوشه‌ها باعث می‌شود که این روش‌ها در فرآیند قطعه‌بندی تومورها که در اشکال مختلفی هستند، ناتوان باشند. به‌علاوه، هر الگوریتم هم‌خوشه‌بندی پس از اجرا، مکان پیکسل‌ها در مانریس اصلی را به جهت قرارگیری در هم‌خوشه‌ها، تغییر می‌دهد، که این عمل نیز باعث می‌شود تا این روش‌ها در مکان‌یابی دقیق تومور که یک اصل مهم است، ضعیف عمل کنند.
هدف این رساله برطرف کردن محدودیت‌های روشهای هم‌خوشه‌بندی و اصلاح و بکارگیری آن‌ها در مسئله تشخیص تومور است. برای این منظور، دو الگوریتم در رساله پیشنهاد می‌شود. الگوریتم اول که هم‌خوشه‌بندی تکراری و K-میانگین نام دارد، از مدل بلوکی پنهان برای هم‌خوشه‌بندی استفاده می‌کند و آن را در یک فرآیند تکراری بکار می‌گیرد و با ادغام روش خوشه‌بندی K-میانگین، عمل قطعه‌بندی تومور را انجام می‌دهد. نتایج اجرای این روش به همراه آنالیز مقایسه‌ای آن بر روی مجموعه داده برتس ۲۰۱۹ بیان می‌شود که این نتایج عملکرد خوب روش پیشنهادی را به خصوص در تشخیص تومورهای کوچک و سخت، نشان می‌دهد. روش دوم که هم‌خوشه‌بندی طیفی تکراری و C-میانگین فازی نام دارد، دید جدیدی برای این ساختار تکراری مطرح می‌کند که نام آن ساختار شبه‌عمیق است. ساختار تکراری یا شبه‌عمیق الگوریتم باعث می‌شود که با عبور از هر تکرار یا لایه، دقت و عملکرد الگوریتم به‌خصوص برای تصاویر پیچیده همراه با تومورهای کوچک، بهتر شود. همچنین در این الگوریتم روش مکان‌یابی پیکسل‌های تغییرمکان داده شده و یافتن مکان اصلی آن‌ها ارائه شده است. در این الگوریتم از روش هم‌خوشه‌بندی طیفی در هر لایه استفاده می‌شود و روش C-میانگین فازی به منظور قطعه‌بندی تومور، مورد استفاده قرار می‌گیرد. نتایج عملکرد الگوریتم روی مجموعه داده‌های برتس ۲۰۲۰ و ۲۰۲۱ نشان‌دهنده کارایی و سرعت بالای آن در قطعه‌بندی و مکان‌یابی تومور است.
کلمات کلیدی: تشخیص تومور مغزی، مدل بلوکی پنهان، هم‌خوشه‌بندی طیفی، ساختار شبه‌عمیق، خوشه‌بندی K-میانگین، خوشه‌بندی C-میانگین فازی، تصاویر تشدید مغناطیسی.
نشانی الکترونیکی دانشجو: hnoushkaran gmail.com
|
|
|
نشانی مطلب در وبگاه روابط عمومی دانشگاه:
http://idea.iust.ac.ir/find-112.14464.79347.fa.html
برگشت به اصل مطلب
|
| |