چکیده: تجزیه و تحلیل تصاویر میکروسکوپی به کمک کامپیوتر نقش مهمی را در تشخیص و پیش آگهی بیماری ها ایفا می کند. به‌دلیل حجم بالای داده های تصویری، پردازش دستی آنها بسیار مشکل و زمان‌بر بوده یا به دلیل خستگی با خطا همراه است. بنابراین، افزایش سرعت تشخیص بالینی از طریق تصاویر میکروسکوپی و خودکارسازی تجزیه و تحلیل تصاویر به صورت مؤثر و با دقت بالا بسیار حائز اهمیت است. وضوح بالای تصاویر میکروسکوپی، تعداد زیاد اهداف مهم موجود در این تصاویر، شلوغ بودن تصاویر و امکان همپوشانی اجزاء، شباهت زیاد تعدادی از اهداف موردنظر به یکدیگر، ظهور هر یک از اجزاء به شکل های ظاهری مختلف در بخش های مختلف تصویر، وجود آرتیفکت و عدم تعادل داده‌ها از چالش های مهم مورد بحث در این زمینه هستند. هدف از انجام این رساله، ارائه روشی مبتنی بر هوش مصنوعی و تکنیک های یادگیری عمیق جهت تجزیه و تحلیل تصویر هیستوپاتولوژیک به منظور تشخیص بیماری‌های بافتی، متاستاز، پیش‌آگهی بیماری‌ها و کمک به تعیین روند پیشرفت بیماری‌ها است که به صورت موردی، تشخیص خودکار و دقیق میکروسکوپی بیماری سیاه زخم مورد بررسی قرار گرفته است. این کار از طریق تشخیص و بخش بندی باکتری مربوط به این بیماری (باکتری باسیلوس آنتراسیس) و سلول های مهم سیستم ایمنی بدن از جمله لنفوسیت ها، ماکروفاژها و نوتروفیل ها در تصاویر میکروسکوپی با وجود چالش‌های موجود در این زمینه صورت گرفته است. بر اساس بررسی های انجام شده، تاکنون الگوریتمی جهت تشخیص خودکار میکروسکوپی بیماری سیاه زخم و بخش بندی تصاویر میکروسکوپی مربوط به آن ارائه نشده است. جهت بهبود کارایی بخش بندی تصاویر میکروسکوپی و رفع چالش-های مذکور، مدل‌های یادگیری عمیق مبتنی بر بخش‌بندی معنایی Attention-IRUNet (با دقت بخش‌بندی بالاتر)، UNet++بهبودیافته (با سرعت بخش‌بندی بالاتر) و مدل یادگیری عمیق مبتنی بر بخش‌بندی موردی URCNN ارائه شده‌اند. ضمن اینکه برای هر یک از مدل‌های پیشنهادی، یک تابع هزینه‌ی مناسب و مؤثر ارائه شده است. سپس جهت استفاده از نقاط قوت این مدل‌ها به صورت همزمان و رفع نقاط ضعف آن‌ها، از یک مدل ترکیبی مبتنی بر الگوریتم یادگیری گرادیان تقویتی به منظور ترکیب نتایج پیش‌بینی شده توسط دو معماری مهم پیشنهادی Attention-IRUNet و URCNN استفاده شده است. مدل‌های Attention-IRUNet و UNet++ بهبودیافته از مزایای ترکیب نگاشت‌های ویژگی مربوط به مقیاس‌های مختلف به منظور تقویت نگاشت‌های ویژگی در هر مقیاس، همچنین از بلوک‌های Squeeze and Excitation-Residual و Squeeze and Excitation-Inception به منظور بهبود کیفیت بازنمایی ویژگی‌ها استفاده کرده‌اند. علاوه بر این در مدلAttention-IRUNet از بلوک‌های Attention Gate جهت تمرکز بیشتر مدل روی ساختارهای هدف، همچنین از تکنیک نظارت عمیق جهت بهبود قدرت یادگیری مدل استفاده شده است. به منظور رفع مشکل عدم تعادل داده‌های مربوط به کلاس‌های مختلف و تمرکز بیشتر روی نمونه‌های سخت یا اشتباه طبقه‌بندی شده، یک تابع هزینه ترکیبی وزن‌دار پیشنهاد شده است. در مدل پیشنهادی URCNN که در واقع بهبودیافته‌ی معماری عمیق Mask-RCNN است، یک شبکه‌ی هرم ویژگی با انجام اصلاحاتی روی FPN ارائه شده است که دقت تشخیص و در نتیجه بخش‌بندی مدل را بهبود می‌بخشد. همچنین به منظور بهبود کارایی بخش‌بندی در این مدل، استفاده از یک تابع هزینه ترکیبی و یک ساختار U شکل با اتصالات پرشی چندمقیاسه در شاخه‌ی مربوط به ایجاد ماسک بخش‎بندی پیشنهاد شده است. نتایج آزمایش‌ها نشان می‌دهد با وجود چالش‌های موجود در زمینه تجزیه و تحلیل تصاویر میکروسکوپی، مدل‌های پیشنهادی و به خصوص مدل ترکیبی در بخش‌بندی تصاویر میکروسکوپی در مقایسه با مدل‌های برتری که در مقالات سال‌های اخیر ارائه شده‌اند (با مقادیر Precision، Recall، IoU و Dice به ترتیب برابر 9/85، 2/88، 76 و 9/85 درصد)، عملکرد بهتری داشته‌اند.