ارائه­ دهنده:
صادق رنجبر کلاتی

 استاد راهنما:
دکتر محسن سریانی

هیات داوری: 
 دکتر ناصر مزینی
 دکتر حمید ابریشمی مقدم


زمان:
 ۱۴۰۱/۰۸/۱۴

ساعت ۱۸:۰۰
 

آقای صادق رنجبر کلاتی دانشجوی کارشناسی ارشد آقای دکتر محسن سریانی روز شنبه ۱۴ آبانماه ساعت ۱۸:۰۰ از پروژه کارشناسی ارشد خود تحت عنوان "تخصیص منابع به زیروظایف در محیط گرید با در نظر گرفتن کیفیت سرویس" دفاع خواهند نمود. 

چکیده پایان نامه:
 امروزه پزشکان متخصص با استفاده از تصاویر Radiography   قادر به تشخیص نوع و محل دقیق بیماری ها هستند. از انواع تصاویر پزشکی می­توان به تصاویر MRI، CT و Ultrusound اشاره کرد. با این حال تشخیص سریع و به موقع بیماری یکی از عوامل حیاتی و تعیین کننده در روند درمان و پیشگیری از پیشرفت بیماری است.سیستم­های هوشمند تشخیص بیماری با استفاده از تصاویر پزشکی کمک شایانی در سرعت بخشیدن به تشخیص نوع و حتی مکان دقیق بیماری کرده­اند.
برای آموزش مدل های هوشمند به منظور تشخیص بیماری، نیاز به تعداد زیادی تصاویر پزشکی برچسب خورده است تا بتوان با استفاده از آن­ها یک مدل را آموزش داد. با این حال جمع آوری و برچسب زنی تعداد زیادی داده در این حوزه هزینه بسیار بالایی دارد. به همین دلیل استفاده از روش های خودنظارتی جهت استفاده از تصاویر بدون برچسب می­تواند تاثیر به سزایی داشته باشد.
در این پایان نامه انواع روش های خودنظارتی برای آموزش یک شبکه عصبی عمیق را بررسی کرده­ایم. این روش­ها ویژگی­های غنی و کاربردی را از تصاویر بدون برچسب استخراج کرده تا با استفاده از داده کمتر برچسب خورده به خروجی مناسبتری جهت تشخیص بیماری برسیم. وظیفه مورد بررسی در این پایان نامه قطعه بندی تصاویر پزشکی جهت استخراج تومور مغزی است که بر روی تصاویر MRI کار شده است.
شبکه عصبی عمیق استفاده شده در این پایان نامه [۱]Unet  است که به عنوان یک شبکه قطعه­ بند در سال ۲۰۱۵ معرفی شده و در سال های گذشته دستخوش تغییرات زیادی جهت بهبود نتایج شده است. در بخش اول با استفاده وظایف کمکی مانند چرخش و ترمیم نشان داده شده است که استفاده از وظایف خودنظارتی می­توان ۷% تا ۱۰% مقدار Dice score  را نسبت به زمانی که از این وظایف استفاده نشده است، افزایش داد.در بخش دوم با الهام گرفتن از یادگیری تمایزی روش جدیدی در آموزش شبکه قطعه­بند معرفی شده است که تاثیر به سزایی در یادگیری قطعه بندی تصاویر پزشکی دارد. در دادگان استفاده شده در این پایان نامه ۱۰۰۰ حجم مغزی موجود است. زمانی که از تمامی این ۱۰۰۰ حجم بدون وظیفه خود نظارتی استفاده می­کنیم مقدار Dice score  شبکه ۸۶% است. با استفاده از این روش تنها با استفاده از ۳۰۰ حجم دقت شبکه قطعه بند به ۸۴% رسیده است.
واژه‌های کلیدی: قطعه بندی، توده، یادگیری خودنظارتی.