• English
    • Persian
    • English
    • Persian
  • English 
    • English
    • Persian
    • English
    • Persian
  • Login
View Item 
  •   KR-TBZMED Home
  • School of Advanced Medical Sciences
  • Theses(AMS)
  • View Item
  •   KR-TBZMED Home
  • School of Advanced Medical Sciences
  • Theses(AMS)
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

توسعه سیستم های یادگیری نیمه نظارتی برای تخمین زاویه استابولار از روی تصاویر رادیوگرافی، با هدف کاهش نیاز به اخذ تصاویر سی تی

Thumbnail
View/Open
نسخه آخر پایاننامه_112130111111222.pdf (2.391Mb)
Date
1403
Author
خاکستری, نسترن
Metadata
Show full item record
Abstract
مقدمه: تخمین دقیق زاویه استابولوم نقش مهمی در تشخیص و مدیریت بیماری‌های مفصل ران دارد. روش‌های سنتی مانند رادیوگرافی و سی‌تی‌اسکن دارای محدودیت‌هایی از جمله وابستگی به مشاهده‌گر، هزینه‌های بالا و تابش اشعه هستند. روش‌های مبتنی بر یادگیری عمیق راهکارهای امیدوارکننده‌ای ارائه می‌دهند، اما عملکرد آن‌ها به دلیل وجود نویز در برچسب‌ها و کمبود داده‌های برچسب گذاری ‌شده، که چالش‌های رایجی در تصویربرداری پزشکی هستند، محدود می‌شود. روش‌ها: در این مطالعه، یک چارچوب یادگیری عمیق جدید برای تخمین زاویه استابولوم از تصاویر رادیوگرافی ارائه شده است که به مسئله نویز در برچسب‌ها و کمبود داده می‌پردازد. یک مجموعه‌داده شامل ۸۷۰ تصویر رادیوگرافی جمع‌آوری و پیش‌پردازش شد و دسته‌بندی اولیه داده‌ها با حذف نقاط پرت و خوشه‌بندی مدل ترکیبی گوسی (GMM) انجام گرفت. برای شناسایی داده‌های دارای نویز، چهار روش متمایز به‌کار گرفته شد: (۱) تطابق بین مدل‌ها، (۲) فیلترگذاری بر اساس اعتماد، (۳) سازگاری افزایشی، و (۴) پالایش بر اساس خطای رگرسیونی. در ادامه، از یک روش یادگیری نیمه‌نظارت‌شده استفاده شد که داده‌های دارای نویز را به‌عنوان داده‌های بدون برچسب در نظر گرفته و با تکنیک‌های شبه‌برچسب‌گذاری از آن‌ها بهره گرفت. نتایج: ترکیب چندین روش شناسایی نویز منجر به پالایش دقیق‌تر مجموعه‌داده و بهبود عملکرد مدل در هر دو وظیفه طبقه‌بندی و رگرسیون شد. در وظیفه طبقه‌بندی دودویی که زاویه استابولوم را به دو دسته کم و زیاد تقسیم‌بندی می‌کرد، دقت مدل از ۷۲٪ در مجموعه‌داده اولیه به ۹۸٪ پس از پالایش تکرارشونده و شبه‌برچسب‌گذاری افزایش یافت. در رگرسیون، میانگین قدرمطلق خطا (MAE) از ۴.۲۸° به ۲.۱۳° کاهش یافت و ضریب تعیین (R²) از ۰.۱۸ به ۰.۷۷ افزایش پیدا کرد که نشان‌دهنده بهبود قابلیت اطمینان پیش‌بینی است. نتیجه‌گیری: این مطالعه با بهره‌گیری از یادگیری عمیق و رویکردهای پیشرفته پالایش داده، تخمین زاویه استابولوم را بهبود داده و با کاهش نویز در برچسب‌ها و کمبود داده، دقت مدل را برای کاربردهای تشخیصی مبتنی بر هوش مصنوعی افزایش داده است. کلیدواژه‌ها: نویز در برچسب‌ها، زاویه استابولوم، یادگیری عمیق، یادگیری نیمه‌نظارت‌شده
URI
https://dspace.tbzmed.ac.ir:443/xmlui/handle/123456789/72154
Collections
  • Theses(AMS)

Knowledge repository of Tabriz University of Medical Sciences using DSpace software copyright © 2018  HTMLMAP
Contact Us | Send Feedback
Theme by 
Atmire NV
 

 

Browse

All of KR-TBZMEDCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsThis CollectionBy Issue DateAuthorsTitlesSubjects

My Account

LoginRegister

Knowledge repository of Tabriz University of Medical Sciences using DSpace software copyright © 2018  HTMLMAP
Contact Us | Send Feedback
Theme by 
Atmire NV