ارائه کننده: سید مصطفی غضنفری
استاد راهنما: دکتر بابک محمدزاده اصل
استاد ناظر داخلی دوم: دکتر علی محلوجی فر
استاد ناظر خارجی اول: دکتر حمید بهنام (دانشگاه علم و صنعت)
تاریخ: 1403/02/12
ساعت: 10 تا 11:30
مکان: آزمایشگاه پردازش سیگنال های پزشکی

چکیده:
بخش‌بندی دقیق تصاویر فراصوت برای تشخیص ابتلا به سرطان سینه بسیار حیاتی می‌باشد و فرصت‌های مختلفی برای درمان این فراهم می‌کند. با این حال، برچسب‌گذاری دستی تصاویر فراصوت بسیار زمان‌بر است و به اپراتور انسانی وابسته می‌باشد. این مسئله چالش‌های جدی را برای تشخیص ایجاد می‌کند. 
با توجه به این موضوع‌، سیستم‌های تشخیص کامپیوتری توسعه پیدا کرده‌اند که امکان کمک به اپراتور‌ها در تشخیص و طبقه‌بندی سرطان سینه را دارا هستند. به طور کلی این سیستم‌ها دارای مراحل مختلفی هستند که در این میان، ‌بخش‌بندی تصویر که توده را از پس‌زمینه جدا می‌کند‌، مهم‌ترین بخش محسوب می‌شود و کلید پردازش‌های بعدی است و کیفیت تجزیه و تحلیل نهایی را تعیین می‌کند
ما در این مطالعه‌، یک شبکه ‌بخش‌بندی نوین را ارائه کردیم. این ساختار دقت بخش‌بندی را در تصاویر فراصوت بهبود می‌بخشد. معماری نوآورانه و قدرتمند ما بلوک‌های ConvMixer و Multi Head Self Attention را در انتهای بخش کدگذار شبکه U-Net به کار گرفته که به طور موثر اطلاعات سراسری را برای ‌بخش‌بندی دقیق در برمی‌گیرد.
همچنین شبکه ما با استفاده از بلوک‌ ConvMixer در بخش مسیر‌های پرش، ویژگی‌های نامربوط را سرکوب کرده و ویژگی‌های ارزشمند را تقویت می‌کند. در این ساختار از یک سری پیش پردازش‌های نوین و قدرتمند برای بهبود عملکرد شبکه وجلوگیری از بیش برازش استفاده شده است.
اعتبارسنجی ساختار ما روی مجموعه داده‌های BUSI نشان می‌دهد که شبکه ما در معیارهای ‌بخش‌بندی برتر از سایر شبکه‌های پایه در این حوزه و شبکه های جدیدتر می‌باشد. همچنین برابری دقت شبکه روی داده های ارزیابی و تست بیانگر عدم وجود بیش برازش وتاییدی بر علمی بودن نتایج ما می باشد. ساختار ما در بخش‌بندی توده های خوش‌خیم بسیار خوب عمل کرده و بهبود قابل توجهی در ‌بخش‌بندی توده‌های بدخیم داشته است که به طور ذاتی چالش بیشتری دارند.