[صفحه اصلی ]    
بخش‌های اصلی
درباره دانشکده::
مدیریت دانشکده::
اعضای هیات علمی ::
معرفی افراد::
امور آموزش::
امور فرهنگی::
امور پژوهشی::
کارشناسی ارشد مجازی::
کارشناسی ارشد پردیس::
اخبار و رویدادها::
فضاهای آموزشی و تحقیقاتی ::
تسهیلات پایگاه::
تماس با ما::
::
ورود به سایت دروس
دانشجویان روزانه و پردیس
دانشجویان مرکز آموزش الکترونیکی
..
دفاعیه کارشناسی ارشد

..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
:: امید محمودی مهر- ۱۳۹۹/۰۸/۲۱ ::
 | تاریخ ارسال: 1399/8/12 | 

ارائه­ دهنده:

امید محمودی مهر   

  استاد راهنما:

 دکتر محسن سریانی


هیات داوران:
دکترناصر مزینی، دکتر حمید ابریشمی مقدم

زمان:
چهارشنبه ۱۳۹۹/۰۸/۲۱


آقای امید محمودی مهر دانشجوی کارشناسی ارشد دکتر محسن سریانی چهارشنبه  ۲۱ آبان ماه از پروژه کارشناسی ارشد خود  تحت عنوان "حذف نویز تصاویر سونوگرافی با استفاده از شبکه‌های عصبی همگشتی" دفاع خواهند نمود.

چکیده پایان نامه:

تصویر برداری سونوگرافی نقش مهمی را به دلیل عدم تهاجم، ایمن و بی‌درنگ بودن در کارهای تشخیصی ایفا می‌کند. علی رغم این مزایای بزرگ، مسئله مهمی که در این بین وجود دارد، وجود نویز اسپکل است. کیفیت تصاویر سونوگرافی بطور قابل توجهی توسط این نویز کاهش می‌یابد و به تبع، اثرات منفی روی روند تفسیر و تشخیص می‌گذارد. به همین روی، حذف نویز تصاویر سونوگرافی، یک مرحله پیش پردازش مهم تلقی می‌شود.
  در این پایان‌نامه، ما با استفاده از شبکه های همگشتی Inception ، دو رویکرد برای حذف نویز اسپکل ارائه دادیم. رویکرد اول که آن را IICDAE-۳ می‌نامیم، یک شبکه همگشتی خودکدگذار حذف نویز است که ماژول Inception را به آن به منظور افزایش قدرت در استخراج ویژگی افزودیم. در رویکرد دوم که مبتنی بر نویز اسپکل است و SNICDNN-۳ نام دارد، مدل نویز را با استفاده از شبکه همگشتی Inception تخمین زده و با استفاده از روابط ریاضیاتی و همچنین انجام پیش پردازش و پس پردازش مناسب بر روی نویز تخمینی، تصویر حذف نویز شده را بازسازی نمودیم.
  نتایج حاصل از ارزیابی ها نشان داده است که روش‌های پیشنهادی توانسته‌اند معیارهای کارایی مهم در این حوزه را بهبود دهند. روش IICDAE-۳  توانسته است معیارهای PSNR، SSIM و MSE را به ترتیب به اندازه ۰.۳۹۷۶، ۰.۰۰۶۷ و ۲.۷۶۱۴ بهبود دهد. این مقادیر برای روش SNICDNN-۳  به ترتیب برابر با ۰.۵۳۶۲، ۰.۰۰۸۶ و ۳.۵۸۶۹ است. همچنین از نظر بصری، روش‌های پیشنهادی ما علاوه بر حذف نویز، اطلاعات مهم ساختاری مثل لبه‌ها را تا حد بهتری حفظ می‏کند.
 
واژه‌های کلیدی: تصویر سونوگرافی، نویز اسپکل، شبکه عصبی همگشتی، خودکدگذار مبتنی بر inception، شبکه عصبی همگشتی مبتنی بر نویز اسپکل.



"دفاع به‌صورت آنلاین برگزار می‌شود"
  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی
دفعات مشاهده: 233 بار   |   دفعات چاپ: 9 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر
سایر مطالب این بخش سایر مطالب این بخش نسخه قابل چاپ نسخه قابل چاپ ارسال به دوستان ارسال به دوستان
Persian site map - English site map - Created in 0.11 seconds with 50 queries by YEKTAWEB 4240