ارائه کننده: سینا قربانی کلاهی
استاد راهنما: دكتر سيدكمال چهارسوقي
استاد مشاور: دكتر توكتم خطيبي
استاد داور داخلي: دكتر الهام آخوند زاده نوقايي
استاد داور خارج از دانشگاه: دكتر علي كمندي
نماينده تحصيلات تكميلي : دكتر الهام آخوند زاده نوقايي
تاریخ: 1403/07/15        
ساعت: 13:00
مكان: اتاق 351 دانشكده فني و مهندسي (طبقه سوم روبروي آسانسور)

چکیده:
بر اساس گزارش سازمان بهداشت جهانی، بیماری‌های قلبی و عروقی، عامل اصلی مرگ و میر در سراسر جهان هستند. پیشرفت‌هاي زیادی در تحقیقات و ارزیابی عملکرد بالینی قلبي عروقي با هدف بهبود دقت تشخیص و درمان بیماري‌هاي قلبي، بخصوص بیماری‌های عضلانی قلب و همچنین کاهش مرگ و میر ناشي از بیماري‌های مورد نظر صورت گرفته است. تصویربرداری رزونانس مغناطیسی قلب (CMR) به دلیل کنتراست بالا و توانایی تمایز بافت‌های بین عضلانی، به عنوان استاندارد طلایی شناخته می‌شود. در حالی که روش‌های قطعه‌بندی دستی و نیمه خودکار یک فرآیند بشدت زمان بر است، گسترش یادگیری عمیق در حوزه پزشکی راه را برای تحلیل خودکار هموار کرده است. شبکه‌های عصبی کانولوشنی (CNNs)، به ویژه U-Net، به طور گسترده‌ای برای قطعه‌بندی تصاویر پزشکی استفاده شده‌اند، اما به دلیل اندازه محدود فیلتر عملگر کانولوشن در درک روابط مکانی در اندازه بزرگ مشکل دارند. در مقابل، ترنسفورمرها (Transformers) در درک اطلاعات کلی تصاویر از طریق مکانیسم‌های خود-توجه عالی عمل می‌کنند، اما در درک روابط محلی که برای تعیین مرزهای بافت حیاتی هستند، توانایی کمی دارند. با تشخیص اهمیت روابط محلی و کلی در تحلیل تصاویر پزشکی، این پژوهش در جهت معرفی یک معماری هیبرید جدید کانولوشنی-ترنسفورمری، جهت استفاده در یک سیستم پزشکیار هوشمند گام برداشته است. مدل پیشنهادی از نقاط قوت هر دو معماری معرفی شده بهره می‌برد و قابلیت‌های استخراج ویژگی‌های محلی را با اطلاعات کلی در یک ساختار مبتنی بر مکانیزم توجه ترکیب می‌کند. این رویکرد امکان درک همزمان اندام‌ها و بافت‌های با اندازه‌های مختلف را فراهم می‌کند و محدودیت‌های روش‌های موجود را برطرف می‌سازد. ارزیابی‌های کمی و کیفی انجام شده بر روی مجموعه داده‌های CMR، همچنین فرآیند تطبیق دامنه عملکرد مدل، توانایی رویکرد معرفی شده را در قطعه‌بندی دقیق ساختارهای قلبی با حفظ سازگاری آناتومیکی نشان می‌دهد. این پژوهش با پرداختن به محدودیت‌های موجود و ارائه یک راه حل کاملاً خودکار برای استخراج شاخص‌های بالینی و عددی از تصاویر CMR، به حوزه تحلیل خودکار تصاویر پزشکی کمک می‌کند و پتانسیل بهبود تشخیص زودهنگام و برنامه‌ریزی درمان برای بیماری‌های قلبی را دارد.