ارائه کننده: مهدی رضا برنا
استاد راهنما: دكتر محمدمهدي سپهري
استاد مشاور: دكتر پژمان شادپور
استاد داور داخلي: دكتر توكتم خطيبي
استاد داور داخلي : دكتر بختيار استادي
استاد داور خارج از دانشگاه: دكتر مهدي مهديزاده
استاد داور خارج از دانشگاه : دكتر بهروز مينايي بيدگلي
نماينده تحصيلات تكميلي : دكتر توكتم خطيبي
تاریخ: 1403/04/02  
ساعت: 16:00
مكان: اتاق سايت دانشكده مهندسي صنايع وسيستم ها

چکیده:
امروزه، استفاده از هوش مصنوعی در عرصه سلامت به شدت گسترش یافته است و اهمیت آن برای سیاست‌گذاران، بیماران و کل جامعه، همچنین برای متخصصان این حوزه بی‌بدیل است. متخصصان سلامت از هوش مصنوعی برای تحلیل سیگنال‌های بهداشتی، داده‌های خوداظهاری بیماران، جستجوی منابع پزشکی، و به ویژه تحلیل تصاویر پزشکی استفاده می‌کنند. تحلیل تصاویر پزشکی نقش کلیدی در تشخیص‌های دقیق در حوزه پزشکی دارد. هوش مصنوعی نه تنها سرعت بالاتری نسبت به انسان دارد، بلکه توانایی شناسایی دقیق‌ترین تغییرات در هر تصویر و درک گسترده‌تری از اطلاعات را نیز دارا است. ایجاد چارچوبی برای تشخیص و رده‌بندی تصاویر پزشکی می‌تواند به بهره‌گیری هر چه بهتر از قابلیت‌های هوش مصنوعی در این زمینه کمک شایانی کند. در این رساله سعی شده است یک چارچوب  تصويرپايه كمك تشخيصي پزشكي سريع و دقيق مبتني بر فناوري‌هاي پيشرفته هوش مصنوعي ارائه شود. چارچوب ارائه شده شامل روش‌هایی برای جمع آوری و آماده‌سازی داده‌های پزشکی، رده‌بندی و تقسیم‌بندی در تصاویر پزشکی، تفسیر روش‌های یادگیری ژرف و همچنین ارزیابی روش‌های ارائه شده‌ی هوش مصنوعی می‌باشد. از این رو در این رساله چارچوب AI4Med برای استفاده از هوش مصنوعی در تصاویر پزشکی ارئه شده است. برای اعتبارسنجی هر یک از گام‌های چارچوب اراده شده نیز سعی شده تا با استفاده از داده‌های موجود و در دسترس یا جمع آوری داده‌های مناسب ارزیابی‌ها و مطالعاتی انجام گیرد. هر یک از مطالعات انجام شده به نوبه خود از اهمیت ویژه ای در زمینه مربوطه برخوردار بوده‌اند. جهت ارزیابی گام‌های مربوط به رده‌بندی تصاویر پزشکی دو مطالعه روی داده‌های مربوط به رده‌بندی انواع اسپرم انسانی(DeepSMC)، رده‌بندی شکستگی دی ان ای اسپرم‌ها (DeepSDF) انجام شده است. جهت ارزیابی قسمت تقسیم بندی تصاویر پزشکی نیز روش DeepCysto ارائه شده است که در آن داده‌های مربوط به تصاویر سیستوسکوپی جمع آوری شده و روی آنها جهت تشخیص به موقع هنگام انجام عمل حذف تومور‌های TCC تقسیم بندی با هوش مصنوعی انجام شده است. در قسمت سوم روش DeepEmbryo جهت استفاده همزمان از تقسیم بندی و رده‌بندی تصاویر پزشکی داده‌های مربوط به تصاویر جنین در روش IVF جمع آوری شده و با استفاده از روش‌های یادگیری ژرف تقسیم بندی و سپس رده‌بندی و مقایسه  شده اند. و در گام آخر هم جهت ارزیابی روش‌های هوش مصنوعی در پزشکی و منافع حاصل از آن مطالعه ای در مورد مزایای اقتصادی استفاده از هوش مصنوعی در تشخیص تصاویر پزشکی با استفاده از روش EAAIMed مورد مطالعه قرار گرفت. نتایج حاصله از روش های ارائه شده نشان می دهند که چارچوب ارائه شده جهت رده بندی، تقسیم بندی و استفاده همزمان از این دو مناسب است. همچنین اعتبارسنجی چارچوب ارائه شده با استفاده از مقایسه آن با متخصصان نشان داد که این چارچوب در موارد مورد مطالعه عملکرد قابل قبولی را ارائه می کند. افزون بر آن استفاده از چارچوب AI4Med صرفه جویی قابل توجهی در هزینه‌های نظام سلامت را به ارمغان می آورد..