چکیده: چکیده علم پزشکی شامل چالش‌های فراوانی است که حل آن‌ها نیازمند صرف زمان بسیار توسط متخصصین خبره این حوزه است. رفتارشناسی نورون‌های عصبی که یکی از عمده‌ترین سلول‌های تشکیل دهنده مغز انسان هستند و از سه بخش اصلی هسته ، دندریت و آکسون تشکیل شده‌اند، از حوزه‌های فعال تحقیقاتی به شمار می‌رود. عملکرد بسیار حیاتی نورون‌ها در فعالیت‌های مغز انسان از طرفی و ویژگی‌های خاص آن‌ها مانند عدم تکثیر شدنسان از طرف دیگر موجب می‌شود که حفظ سلامت آن‌ها بسیار ضروری شود. یکی از رویکردهای پزشکی برای درمان بیماری‌های مرتبط به این سلول‌ها استفاده از تصاویر میکروسکوپی فلورسانسی است. در هم تنیدگی و ارتباط اجزای نورون‌ها با یکدیگر منجر به سخت شدن تحلیل این تصاویر توسط متخصصین می‌شود. به همین علت رویکردهایی که بتوانند سبب تسهیل تحلیل تصاویر یاد شده شوند، می‌توانند سهم بسزایی در بهبود اثر بخشی روش‌های درمانی داشته باشند. بخش بندی اجزای درون سلولی نورون‌ها در تصاویر میکروسکوپی فلوئورسانسی با هدف بهبود و افزایش سرعت تحلیل تصاویر توسط متخصصین از قبیل مواردی است که می‌تواند به اثر بخشی درمان کمک کند. در این پایان‌نامه با بهره‌گیری از رویکرد یادگیری عمیق و آموزش نظارت شده با برچسب‌های غیر دقیق، موضوعی است که کمتر به آن پرداخته شده، سعی در تحقق این امر داریم. در روش‌های پیشین، الزام به حضور متخصصین یادگیری ماشین در کنار متخصصین عصب‌شناسی برای تعیین ویژگی‌ها و قوانین مورد نیاز در جهت بخش بندی اجزای سلولی در تصاویر نورون‌ها بود. با بهره‌گیری از روش‌های نوین یادگیری عمیق که در سال‌های گذشته دستاورد‌های مطلوبی در عرصه‌های مختلف علمی داشتند، هزینه به کارگیری متخصصین مختلف به حداقل خواهد رسید. هدف نهایی بخش‌بندی نورون‌ها در تصاویر و اجزایی سلولی آن‌ها به منظور اندازه‌گیری طول هر بخش است. نتایج این فرآیند به تحلیل رفتار نورون‌ها مانند کم یا زیاد شدن طول یک نورون یا بخشی از یک نورون بعد از اعمال دارو یا درمان خاصی بر روی آن کمک خواهد کرد و پزشکان و و متخصصان علوم اعصاب، به سادگی می‌توانند بدون صرف زمان بسیار زیاد به این اطلاعات دسترسی داشته باشند. برای این منظور از پایگاه‌دادگانی با برچسب‌های‌ غیر دقیق و ارائه روشی که از توابع هزینه ترکیبی در آموزش شبکه‌های عمیق استفاده می‌شود تا غیر دقیق بودن برچسب‌ها را جبران کند استفاده می‌شود.