{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "Q169",
        "title": "بخش‌بندی خودکار تصاویر سی‌تی‌اسکن ریه به‌کمک یادگیری عمیق",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1399",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "Q169",
        "title": "بخش‌بندی خودکار تصاویر سی‌تی‌اسکن ریه به‌کمک یادگیری عمیق",
        "degree": null,
        "faculty": "مهندسی کامپیوتر ",
        "year": 1399,
        "authors": [
            {
                "name": "یگانه جلالی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "منصور فاتح",
                "role": "استاد راهنما"
            },
            {
                "name": "محسن رضوانی",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "بخش‌بندی",
            "سی‌تی‌اسکن",
            "ریه",
            "U-Net",
            "ResNet34",
            "BConvLSTM"
        ],
        "abstract": "بخش‌بندی تصاویر سی‌تی‌اسکن ریه، یک فرآیند کلیدی بوده و به‌عنوان اولین و مهم‌ترین قدم، در بسیاری از کاربردها مانند سیستم تشخیص سرطان ریه است. باتوجه به ساختار غیریکسان و ناهماهنگ ریه و نیز استفاده از وسایل تصویربرداری متفاوت با پروتکل های مختلف، بخش بندی ناحیه ریه همیشه یک مسئله چالش بر انگیز بوده است. برخی از روش های بخش‌بندی موجود، نیمه خودکار بوده و به عامل انسانی وابسته هستند. مشکل دیگر این روش‌ها، بالا بودن میزان مثبت کاذب است. در سال‌های اخیر، شبکه‌های مبتنی بر یادگیری عمیق در بخش‌بندی تصاویر پزشکی، به عملکرد پیشرفته‌ای دست یافته‌اند. در بین شبکه‌های موجود، U-Net موفقیت بسیاری در این زمینه کسب کرده‌است. در روش پیشنهادی این پایان‌نامه، ابتدا چندین عمل پیش‌پردازش گسترده برروی تصاویر خام سی‌تی اعمال شده، سپس ماسک (برچسب) مربوط به این تصاویر، با استفاده از الگوریتم خودکار مبتنی بر عملیات مورفولوژیکی و انجام اندک اصلاحات دستی استخراج می‌شوند. درنهایت، همه تصاویر را به همراه برچسب‌های متناظرشان به یک شبکه عمیق، برای بخش‎بندی داده می‌شوند. معماری شبکه عمیق پیشنهادی، بر پایه یکی از نسخه‌های تغییر یافته U-Net بوده (BCDU-Net) که در بخش رمزگذار آن، با شبکه ResNet34 از پیش آماده شده، جایگزین شده‌است. هم‌چنین در شبکه پیشنهادی، از مکانیزم لایه‌های کانولوشنی متراکم در آخرین لایه کانولوشنی مسیر رمزگذاری استفاده شده‌ و برای ترکیب نقشه‌های ویژگی استخراج شده، در مسیر اتصال پرش از BConvLSTM  استفاده شده است. در نهایت الگوریتم ارائه شده بر روی مجموعه‌داده LIDC-IDRI آزمایش شده و نتایج، بیانگر آن است که این روش، علاوه بر رفع چالش‌های مطرح شده، مقدار دایس 97/31 % را به دست آورده که نسبت به بهترین روش قبل یعنی BCDU-Net، افزایش یک درصدی داشته‌است.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_Q169.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}