ارائه کننده: زینب مختاری
استاد راهنما: دکتر بابک محمدزاده اصل
استاد ناظر داخلی اول: دکتر منصوره پاکروان
استاد ناظر خارجی اول: دکتر حمید بهنام  (دانشگاه علم و صنعت)
تاریخ: 1403/11/14
ساعت: 10 تا 11:30
مکان : اتاق شورا

چکیده: 
کشسان نگاری یکی از روش‌های غیر تهاجمی است که به‌منظور ارزیابی خواص مکانیکی بافت‌های نرم، به‌ویژه در زمینه‌های پزشکی، کاربرد فراوانی دارد. مطالعات مختلف نشان داده‌اند که بسیاری از بیماری‌ها مانند سرطان، فیبروز کبدی، بیماری‌های قلبی عروقی و ندول‌های تیروئیدی با تغییراتی در ویژگی‌های مکانیکی بافت‌ها ارتباط دارند. بنابراین، اندازه‌گیری خواص کشسانی بافت‌های نرم از طریق سونوگرافی می‌تواند اطلاعات مفیدی برای تشخیص و درمان این بیماری‌ها فراهم آورد. به ‌منظور تخمین دقیق خواص مکانیکی و شناسایی تغییرات پاتوبیولوژیکی بافت‌ها، تخمین جابجایی در دو بعد محوری و جانبی ضرورت دارد. یکی از چالش‌های اصلی در کشسان نگاری فراصوت، تخمین تاخیر زمانی (TDE) بین دو مجموعه داده RF قبل و بعد از فشرده‌سازی بافت است. در این زمینه، روش‌های متنوعی مانند تکنیک‌های مبتنی بر پنجره، بهینه‌سازی تابع هزینه و روش‌های یادگیری عمیق برای محاسبه TDE مورد استفاده قرار گرفته‌اند. پژوهش‌های قبلی نشان داده‌اند که دقت تخمین جابجایی محوری بسیار دقیق تر از جابجایی جانبی است و تخمین جابجايی جانبی به جهت فركانس نمونه برداری كمتر و رزولوشن جانبی پايین تر با خطای زيادی همراه است و هنوز نیازمند بهبود است. به همین دلیل، بهبود این بخش همچنان ضروری است. هدف این تحقیق ارائه روشی مبتنی بر یادگیری عمیق برای بهبود دقت تخمین جابجایی به ‌ویژه در جهت جانبی است. برای این منظور، از شبکه PWC-Net  به ‌عنوان چارچوب اصلی استفاده شده است. در بخش استخراج ویژگی این شبکه، به جای استفاده از معماری‌های معمول  CNN، از Vision Transformer (ViT) بهره گرفته شد. این جایگزینی با هدف ارتقاء قابلیت مدل در استخراج ویژگی‌های بافت‌های نرم و افزایش دقت تخمین جابجایی انجام شده است. نتایج شبیه سازی نشان داد که این رویکرد به ترتیب موجب بهبود 13. %98 و 89. %99 پارامتر ارزیابی SSIM کرنش محوری و کرنش جانبی و نیز بهبود(µm)  80. 7 پارامتر ارزیابی MAE جابجایی جانبی در فانتوم شبیه سازی شد. در فانتوم های تجربی نیز این رویکرد به ترتیب موجب بهبود 67. %11 و 14. %8 پارامتر ارزیابی CNR و همچنین موجب بهبود 327. %0 و 242. %0 پارامتر ارزیابی SNR گردید.