نام دانشجو: فاطمه بابایی

   استاد راهنما: دکتر محسن رضاپور

   استاد ارزیاب داخلی: دکتر حسین جوهری

   استاد ارزیاب خارجی: دکتر مریم طهماسبی

 

 

بخش بندی تصویر یک مرحله مهم و ضروری در تجزیه و تحلیل تصویر پزشکی است. بخش بندی در دستیابی به تفسیر درست و ارزشمند از تصاویر پزشکی نقش مهمی ایفا می کند. با پیشرفت یادگیری عمیق و شبکه های عصبی کانولوشن در طبقه بندی و بخش بندی تصاویر، تجزیه و تحلیل تصاویر در پزشکی نیز با موفقیت همراه بوده است. یادگیری انتقال تکنیکی است که می توان از آن برای توسعه مدل های تصویربرداری پزشکی به دلیل کمبود داده های آموزشی مورد نیاز استفاده کرد. اما تفاوت های قابل توجهی بین ویژگی ها و وظایف مجموعه داده های پزشکی و مجموعه داده های تصاویر طبیعی مانند ImageNet وجود دارد. وجود همین تفاوت ها سبب می شود که بخواهیم بدانیم استفاده از وزن های از پیش آموزش دیده روی یک مجموعه داده با دامنه ی متفاوت چه میزان اثربخشی دارد. بنابراین در این پایان نامه ما به بررسی تاثیرات انتقال دانش از مجموعه داده ImageNet روی تصاویر پزشکی، برای وظیفه بخش بندی معنایی پرداختیم. ما آزمایشات خود را بر روی دو مجموعه داده کوچک که شامل عکس های پولیپ حاصل از معاینات کولونوسکوپی هستند، انجام دادیم. ما دریافتیم استفاده از وزن های از پیش آموزش دیده ImageNet برای مجموعه داده بسیار کوچک در وظیفه بخش بندی تصاویر دو بعدی پزشکی موجب بهبود عملکرد می شود. علاوه بر آن فهمیدیم یادگیری انتقال بر افزایش سرعت همگرایی موثر است. ما مشاهده کردیم استفاده مجدد از ویژگی ها (به کار گیری وزن های از پیش آموزش دیده) در پایین ترین دو لایه بیش ترین تاثیر را در بر دارد، بنابراین می توان از رویکردهای ترکیبی برای بهره بردن از بیش ترین مزایای انتقال استفاده کرد. ما همچنین وزن های از پیش تعیین شده را مقیاس بندی کرده و مشاهده کردیم این کار به افزایش سرعت همگرایی کمک می کند.