ارائه کننده: محمد خان ابادي برچلويي
استاد راهنما: دكتر توكتم خطيبي
استاد راهنماي دوم : دكتر محمد ايتي فيروزآبادي
استاد داور داخلي: دكتر سيدكمال چهارسوقي
استاد داور خارج از دانشگاه: دكتر ساناز زرگر
نماينده تحصيلات تكميلي: دكتر سيدكمال چهارسوقي
تاریخ: 1403/08/28
ساعت: 13
مكان: اتاق سايت دانشكده مهندسي صنايع وسيستم ها

چکیده

تشخیص دقیق و مقرون به صرفه آسیب­های زانو نقش اساسی در درمان موثر آن دارد. در سال­های اخیر رویکرد­های مبتنی بر یادگیری عمیق و یادگیری ماشین و همچنین هوش مصنوعی  ورود زیادی در زمینه تشخیص آسیب­های زانو با کمک تصاویر MRI داشته­ اند. مینیسک نقش به سزایی در آناتومی بدن انسان دارد آن­ها بافت­هایی هستند که حرکت را در زانو انسان ممکن می­کنند و با جذب بار­های اضافی که به زانو وارد می­شود، تلاش در به حداقل رساندن بار­های زانو می­کنند. مطالعات زیادی ارتباط پارگی مینیسک را با درد مداوم زانو، کاهش عملکرد و آرتروز اولیه نشان می­دهد. مشکل در آناتومی مینیسک می­تواند منجر به آسیب­های دیگر از جمله آرتروز می­شود. درمان کافی ممکن است عواقب پارگی مینیسک را کاهش دهد، کیفیت زندگی را بهبود بخشد و هزینه های مراقبت های بهداشتی را کاهش دهد. بنابراین تشخیص دقیق پارگی مینیسک از اهمیت زیادی برخوردار است. یادگیری عمیق این پتانسیل را دارد که در وظایف تصمیم گیری مربوط به تشخیص آسیب های زانو مبتنی بر ام آر آی با عملکرد سطح انسانی رقابت کند و بعنوان ابزاری برای کمک به تشخیص بهتر پزشک شود. تحلیل MRI با استفاده از یادگیری عمیق به طور معمول برای آموزش مدل نیاز به داده‌هایی دارد که به طور کامل برچسب خورده باشند. با این حال، در بسیاری از حالت‌ها، جمع آوری نمونه‌های کامل از داده‌ها چالش برانگیز یا حتی غیر ممکن است. بسته به عوامل مختلفی از جمله شکل، اندازه و محل پارگی مینیسک و همچنین سن و فعالیت بدنی بیمار، درمان را می توان به گزینه های مدیریت محافظه کارانه و جراحی تقسیم کرد. MRI روشی غیر تهاجمی برای به تصویر کشیدن ناهنجاری­های مینیسک است از این رو در معاینه مینیسک نقشی اساسی دارد
این تحقیق با هدف ارائه یک چارچوب یادگیری خودناظر برای طبقه بندی و تشخیص پارگی مینیسک با تحلیل تصاویر MRI با رویکرد یادگیری عمیق انجام شده است. داده­های مورد استفاده در این پژوهش مربوط به بیمارستان امام خمینی تهران میباشد که برای هر بیمار به صورت مجزا تصاویر MRI آن از 3 جهت مختلف در دسترس است و میتوان پارگی مینسک را در صورت وجود از آن تصاویر استنتاج کرد.
یادگیری خود نظارتی به یک رویکرد برجسته پیش پردازش شبکه های عصبی کانولوشن برای کامپیوتر ویژن تبدیل شده است. این روش‌ها می‌توانند با مجموعه داده‌های بدون برچسب، به نتایج پیشرفته دست یابند. در گام اول تصاویر اضافی به صورت دستی برای هر بیمار را جدا میکنیم تا دقت مدل کاهش نیابد. تصاویر اضافی شامل فریم هایی از MRI میشوند که در آن­ها مینیسک مشخص نمی­باشد و وجود آن­ها کمکی به مدل نمی­کند. در گام بعد تصاویر پیش پردازش شدند تا برای مدلسازی آماده شوند. با استفاده از مدل های از پیش آموزش دیده از تصاویر ویژگی­ استخراج شد و با استفاده از این ویژگی­ها چهار مدل طبقه بند، XGBoost، Bagging، Adaboost و جنگل تصادفی ساخته شدند و نتایج هر یک مقایسه و ارزیابی شدند که در نهایت ResNet50 به عنوان برترین استخراج کننده ویژگی انتخاب شد. سپس از پنج استخراج کننده برتر به عنوان رمزگذار برای یادگیری بازنمایی­ها در معماری SimSiam  استفاده شد.
بهترین مدل برای استخراج ویژگی از تصاویر ساخته شده ResNet50 می­باشد که به همراه ساخت مدل دست بند توسط XGBoost به دقت 93%، صحت 93%، یادآوری 93% و معیار-F 93% دست یافته شد. . با توجه به مقایسه و ارزیابی عملکرد سناریوهای پیشنهادی معماری SimSiam ساخته شده توسط ResNet50 بهترین عملکرد را از خود نشان داد که به ترتیب با 20% داده­های برچسب گذاری شده به دقت 83% ، صحت 83%، یادآوری 83% و معیار-F %83 دست یافته شد.
نتایج حاصل از اجرای مدل­ها نشان از کارایی مدل پیشنهادی را می­ دهد و این مدل می­تواند با سایر مدل­هایی که قبلا توسط پژوهشگران پیشنهاد شده به رقابت بپردازد.