ارائه کننده: آرین نظرزاده
استاد راهنما: دکتر علی محلوجی فر
استاد ناظر داخلی اول: دکتر بابک محمدزاده اصل
استاد ناظر خارجی اول: دکتر حمید بهنام (دانشگاه علم و صنعت)
تاریخ: 1403/04/04
ساعت: 8:30 تا 10
مکان: آزمایشگاه دکتر محمدزاده

چکیده:
در بیماری­ های التهابی پوست، بررسی لایه­ های پوست با استفاده از تصویربرداری پزشکی امری مهم جهت تشخیص و درمان است و تصویربرداری فراصوت این امر را ممکن­ می­ سازد. در بیماران دارای psoriasis و Atopic dermatitis، قطعه بندی دقیق لایه­ های پوست ارزیابی روند درمان را ممکن می ­سازد. بررسی لایه­ ی اپیدرم وSLEB  جهت تشخیص بسیار حائز اهمیت هستند، زیرا شکل و ظاهر آن­ها نشان دهنده­ ی مشکلات مختلف پوست است. در فرآیند تشخیص پزشکی، قطعه بندی و بررسی تصویر توسط پزشک متخصص انجام می­شود که این خود دارای محدودیت­ هایی است، از جمله وقت گیر بودن و تکرارپذیر نبودن. اخیرا استفاده از تصویربرداری فراصوت در فرآیند پزشکی پوست بیشتر شده است، اما ابزارهای خودکار هوش مصنوعی به اندازه­ ی کافی برای آن توسعه داده نشده ­اند. در این تحقیق، با استفاده از یادگیری عمیق، به قطعه بندی تصاویر فراصوت پوست با استفاده از یک شبکه­ ی عصبی مصنوعی عمیق با معماری U-Net می­پردازیم. پایگاه داده اصلی شامل 380 تصویر التراسوند پوست افراد دارای بیماری پوستی اتهابی (77 تصویر psoriasis و 303 تصویر Atopic dermatitis) است. هدف، قطعه بندی دو لایه­ی epidermis و SLEB در تصاویر پوست است. برای هر تصویر یک ماسک متناظر قطعه بندی شده داریم که همراه با هم به شبکه داده می­شوند. قسمت encoder شبکه­ی U-Net با استفاده از back bone هایی مانند VGG، MobileNet و ResNext تغییر کرده­است. این encoder ها با وزن­ های پایگاه داده­ی imagenet در معماری قرار گرفته­اند. در نهایت شبکه برای هر داده­ ی تست، تصویری به عنوان خروجی به ما می­دهد که آن را با ماسک مقایسه کرده و نتیجه را در غالب معیار Dice index اعلام می­ کنیم. شبکه با MobileNet V2 encoder بهترین نتیجه­ را حاصل کرد؛ dice برابر با 0.88 برای اپیدرم و 0.86 برای SLEB. در تمامی شبکه­ های اجرا شده، نتیجه­ ی قطعه­ بندی لایه­ ی اپیدرم بهتر از SLEB بود.