چکیده: سرطان مثانه به عنوان نهمین بیماری شایع در جهان شناخته می‌شود و از تصاویر سیستوسکوپی برای تشخیص زودهنگام این نوع از سرطان توسط پزشکان و متخصصان استفاده می شود. برای تشخیص این نوع از سرطان توسط تصاویر سیستوسکوپی با وجود شیوع بسیار بالا در سطح جهان متاسفانه سیستم هوشمندی با دقت قابل‌قبول در حوزه پردازش تصاویر پزشکی ارائه نشده است. از مهم‌ترین چالش های موجود در این نوع از تصاویر می توان به عدم وجود مجموعه داده استاندارد با تعداد مناسب، شرایط متفاوت تصویر برداری از لحاظ شدت روشنایی، اندازه و زاویه تصاویر استخراج شده و همچنین پیچیدگی بالای تصاویر که در بسیاری از حالت ها امکان تشخیص دقیق توسط متخصصان (پزشکان) وجود ندارد و نیاز به آزمایشات و هزینه بیشتر می‌باشد اشاره نمود. در همین راستا طراحی سیستمی هوشمند براساس استخراج ویژگی‌های مناسب مبتنی بر یادگیری ماشین در این نوع از کاربردها حیاتی می‌باشد. در این رساله دو روش پیشنهادی کلی برپایه ویژگی های سطح پایین و سطح بالای معنایی معرفی شده است. در روش پیشنهادی اول، از شبکه عصبی چندلایه پرسپترون بهبود یافته بر اساس نرخ یادگیری تطبیقی و وزن‌های اولیه استخراج شده بر پایه الگوریتم جستجو تکاملی ژنتیک برای طبقه‌بندی تصاویر سیستوسکوپی مثانه استفاده شده است. این روش سبب بهبود سرعت همگرایی و دقت طبقه‌بند شده است. برای استخراج ویژگی در این نوع از تصاویر از الگوهای باینری محلی با روش تجزیه و تحلیل مولفه‌های اصلی به منظور کاهش ویژگی استفاده شده است. نتایج بدست آمده از روش پیشنهادی اول نشان‌دهنده عملکرد بهتر نسبت به روش‌های دیگر بر پایه ویژگیهای سنتی یا سطح پایین بوده است. ولی همچنان این نتایج برای کاربردهای واقعی مناسب نمی‌باشند در همین راستا در ادامه، یک روش نوین برپایه یادگیری عمیق پیچشی برای طبقه‌بندی تصاویر سیستوسکوپی ارائه شده است. با توجه به تعداد محدود تصاویر سیستوسکوپی، برای استخراج ویژگی در روش پیشنهادی دوم از یادگیری انتقال بر اساس معماری‌های متفاوت شبکه عصبی پیچشی استفاده شد. روش پیشنهادی به گونه‌ای طراحی شد که نسبت به تغییرات شرایط تصویربرداری مستقل باشد. در رویکرد یادگیری انتقال، آخرین لایه‌های یک شبکه از پیش آموزش دیده، که قبلاً روی یک مجموعه داده بزرگ مانندImageNet آموزش دیده‌اند، استفاده شد. برای جلوگیری از مشکل ابعاد بالا و همچنین کاهش زمان و پیچیدگی فضای ویژگی، از تعداد ویژگی‌ها با استفاده از روش‌های کاهش بعد کاسته شد. سرانجام، یک طبقه‌بند ترکیبی برای طبقه‌بندی تصاویر سیستوسکوپی مثانه پیشنهاد شد. در روش پیشنهادی برای ترکیب از طبقه‌بندهای شناخته شده با استفاده از روش آرای اکثریت وزنی استفاده شد. روش پیشنهادی نتایج امیدوار کننده مربوط به طبقه‌بندی این نوع از تصاویر سیستوسکوپی را نشان داد. در ادامه برای بهبود روشهای ارائه شده، از روش بخش‌بندی برای انتخاب نواحی با ارزش از نگاشت‎های ویژگی مربوط به لایه‌های پیچشی استفاده شد. ویژگی‌های سطح بالا و نواحی مربوط به این ویژگی‌ها بر اساس روش‌ بهینه‌سازی ازدحام ذرات بهبود یافته و اتسو استخراج شد. سپس، با استفاده از روش PCA، ویژگی استخراج شده در نواحی‌ کاهش یافت. در آخر، طبقه‌بند ترکیبی مبتنی بر رای گیری اکثریت با بیزین گوسی و ماشین بردار پشتیبان استفاده شد. روش‌های پیشنهادی بر روی پایگاه داده معرفی شده در این پژوهش از تصاویر پزشکی سیستوسکوپی در مرکز پزشکی در کشور هلند با چهار کلاس به صورت کلاس‌های ادرار خونی، توده خوش خیم، توده بدخیم و سالم مورد ارزیابی و تحلیل قرار گرفت. نتایج بدست آمده در این رساله بر اساس معیار های دقت، صحت، یادآوری (حساسیت)، خاص‌بودن و F1 به ترتیب برابر با (0.000234±) 72.5، 70.5، 71، 89.5 و 72.5 درصد بوده است که نشان دهنده بهبود عملکرد روش پیشنهادی نسبت به روش‌های موجود در این کاربرد می‌باشد.