17843

15577

كارشناسي ارشد

هوش مصنوعي

اصفهان : دانشگاه صنعتي اصفهان

1401

ده، 93ص. : مصور، جدول، نمودار

نادر كريمي

شادرخ سماوي

محمدعلي خسروي فرد، رسول اميرفتاحي

1401/07/17

كتابنامه

مهندسي كامپيوتر

مهندسي برق و كامپيوتر

1401/07/17

2863114

تشخيص سرطان در مراحل اوليه، در پيش آگهي بهتر بيمار و برنامه ريزي درماني مفيد است. اگرچه چندين آزمايش اوليه و روش هاي غيرتهاجمي براي تشخيص سرطان اندام هاي مختلف وجود دارد، ولي مطالعه آسيب شناسي بافتي در اين زمينه اجتناب ناپذير است و استاندارد طلايي در تشخيص سرطان محسوب مي شود. در اين مطالعات، از اندام بيمار نمونه برداري مي شود و بافت مورد نظر زير ميكروسكوپ بررسي مي شود. در دهه هاي اخير، با ظهور اسكنر هاي ديجيتال، عمليات ديجيتالي شدن اسلايد‌هاي بافت‌شناسي آسان گرديده و يكي از روش هاي مورد استفاده توسط بافت شناسان است. تصاوير ايجاد شده توسط اين اسكنر ها به كمك رايانه قابل پردازش است و اطلاعات مفيدي در اختيار بافت شناسان قرار مي دهد. از آن جايي كه پردازش اين تصاوير به صورت دستي كاري زمان بر است، روش هاي يادگيري ماشين در اين حوزه براي استخراج اطلاعات از تصاوير بافت شناسي ارائه مي شوند. بخش بندي هسته هاي سلولي تصاوير بافت شناسي مي تواند ويژگي هاي با كيفيت بالا را براي بررسي شكل هسته و تجزيه و تحليل هاي ديگر در اختيار بافت شناس قرار دهد. در سال هاي اخير با توجه به پيشرفت يادگيري عميق در حوزه ي پزشكي، يكي از روش هاي يادگيري كه براي تصاوير بافت شناسي استفاده مي شود، روش هاي مبتني بر شبكه هاي عصبي عميق است. به دليل پيچيدگي شكلي هسته هاي بافت شناسي، توسعه ي روشي دقيق و كارآمد در حوزه ي شبكه هاي عصبي عميق براي بخش‌بندي هسته هاي سلولي تصاوير بافت شناسي، كاري چالش برانگيز است. هسته هاي همپوشاني شده و كمبود داده هاي برچسب دار از جمله چالش هاي موجود در بخش بندي هسته ها در تصاوير بافت شناسي است. در اين تحقيق به منظور برطرف كردن چالش هسته‌هاي همپوشاني شده، روش هايي مبتني بر بخش بندي به كمك شبكه هاي عصبي كانولوشني ارائه شده اند. همچنين به منظور رفع چالش كمبود داده هاي برچسب دار، روش افزايش داده اي مبتني بر شبكه هاي مولد متخاصم استفاده شده است. با مقايسه ي نتايج بدست آمده از روش هاي ارائه شده، برتري اين روش ها نسبت به روش هاي ديگر مورد بررسي قرار گرفته است.

Diagnosing cancer in the early stages is useful in better patient prognosis and treatment planning. Although there are several primary tests and non-invasive methods to diagnose cancer of different organs, histological study is inevitable in this field and is considered as the gold standard in cancer diagnosis. In these studies, samples are taken from the patient's organs and the target tissue is examined under a microscope. In recent decades, with the advent of digital scanners, digitization of histopathology slides has become easy and is one of the methods used by pathologists. Created images by these scanners can be processed by a computer and provides useful information to pathologists. Since the manual processing of these images is time consuming, machine learning methods are proposed to extract information from histopathology images. Nuclei segmentation of histopathology images can provide high-quality features for examining the shape of the nucleus and providing other analysis to the pathologist. In recent years, due to progress of deep learning in the field of medical data, one of the learning methods used for histopathology images, is the method based on deep learning. Due to the complex shape of histopathology nuclei, development of a precise and efficient method in deep neural networks for nuclei segmentation of histopathology slides is a challenging task. Overlapping nuclei and lack of sufficient labeled data are some challenges for nuclei segmentation in histopathology images. In this thesis, in order to solve the problem of overlapping nuclei, segmentation methods based on Convolutional Neural Networks are provided. In addition, in order to solve the challenge of lack of labeled data, augmentation methods based on Generative Adversarial Networks are provided. By comparing the results obtained from the proposed methods, the superiority of theses methods has been compared to other methods.

نادر كريمي

شادرخ سماوي

محمدعلي خسروي فرد، رسول اميرفتاحي