پایان نامه > کتابخانه مرکزی دانشگاه صنعتی شاهرود > مهندسی کامپیوتر > مقطع کارشناسی ارشد > سال 1405
پدیدآورندگان:
سیده زهرا حسینی [پدیدآور اصلی]، منصور فاتح[استاد راهنما]
چکیده: بخشبندی نواحی درگیر در تصاویر رادیوگرافی قفسه سینه بیماران مبتلا به کووید-۱۹، نقش مهمی در توسعه سامانههای تشخیص و تصمیمیار پزشکی مبتنی بر هوش مصنوعی دارد. با وجود توانمندی شبکههای مبتنی بر U-Net، این معماریها در استخراج همزمان ویژگیهای محلی و سراسری، مدلسازی وابستگیهای بلندبرد و تعیین دقیق مرز ضایعات با محدودیتهایی روبهرو هستند. در این پژوهش، یک معماری بهبودیافته مبتنی بر شبکه U شکل برای افزایش دقت بخشبندی ضایعات ریوی در تصاویر پرتو ایکس ارائه میشود که شامل گلوگاه ترنسفورمر برای استخراج وابستگیهای سراسری، ساختار دوشاخه برای یادگیری ویژگیهای محلی و سراسری، استخراج ویژگی چندمقیاسی، مکانیزم توجه متقاطع، دروازهبندی هدایت شده و تلفیق آگاه از عدم قطعیت است. همچنین برای بهبود پایداری آموزش، از محدودسازی گرادیان استفاده میشود. ارزیابی معماری پیشنهادی بر روی مجموعهداده استاندارد QaTa-COV19 انجام میشود و نتایج نشاندهنده دستیابی به مقدار ضریب تشابه دایس برابر با ۸۸٫۲۲ درصد، IoU برابر با ۷۸٫۹۲ درصد، دقت متوسط برابر با ۹۵٫۴۵ درصد و سطح زیر منحنی برابر با ۹۹٫۲۲ درصد است. مقایسه با روشهای موجود نشاندهنده عملکرد بهتر معماری پیشنهادی در بخشبندی ضایعات ریوی و توانایی آن در ترکیب مؤثر اطلاعات محلی و سراسری است.
کلید واژه ها (نمایه ها):
#واژگان کلیدی: بخشبندی تصویر پزشکی #کووید-۱۹ #شبکه عصبی U شکل #ترنسفورمر #توجه متقاطع #عدم قطعیت #یادگیری عمیق.
محل نگهداری: کتابخانه مرکزی دانشگاه صنعتی شاهرود
یادداشت: حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.
تعداد بازدید کننده: