• شماره ركورد
    16682
  • عنوان
    تكنيكهاي اَخير يادگيري عميق در تشخيص تومور
  • سال تحصيل
    1403
  • استاد راهنما
    دكتر سيد علي اصغر بهشتي شيرازي
  • استاد مشاور
    دكتر محمدحسين كهايي
  • چکيده
    ‌تشخيص‌و‌بخش‌بندي‌دقيق‌تومورهاي‌مغزي‌در‌تصاوير اِم.آر.آي سه‌بعدي،‌به‌عنوان‌پيش‌نيازي‌حياتي‌براي‌ برنامه‌ريزي‌هاي‌درماني‌و‌جراحي‌شناخته‌مي‌شود.‌در‌روش‌هاي‌متداول‌مبتني‌بر‌شبكههاي‌عصبي‌كانولوشني‌،‌‌ عليرغم‌استخراج‌مؤثر‌ويژگيهاي‌محلي،‌محدوديت‌هايي‌در‌مدل‌سازي‌وابستگيهاي‌سراسري‌و‌درك‌ساختار‌ كلي‌تومور‌مشاهده‌مي‌شود.‌در‌اين‌پژوهش،‌سير‌تحول‌معماريهاي‌يادگيري‌عميق‌با‌تمركز‌بر‌گذر‌از‌مدل‌هاي‌ كانولوشني‌به‌ترانسفورمرها‌و‌در‌نهايت‌مدل‌هاي‌فضاي‌حالت جهت‌رفع‌اين‌چالش‌ها‌مورد‌بررسي‌قرار‌مي‌گيرد.‌ سه‌معماري‌‌‌تركيبي‌‌‌شاخص‌شامل ‌‌SwinUNETR ‌،TransBTSو SegMambaاز‌منظر‌فني‌و‌كارايي‌محاسباتي‌ تحليل‌مي‌شوند‌. ‌‌‌در‌‌‌ارزيابي‌هاي‌انجام‌‌‌شده‌بر‌روي‌مجموعه‌داده‌هاي‌استاندارد ‌، 1BraTSمشاهده‌شد‌كه‌اگرچه‌ترانسفورمرها‌ دقت‌ را‌ بهبود‌ بخشيده‌اند،‌ اما‌ با‌ چالش‌ پيچيدگي‌ محاسباتي‌ درجه‌ دوم‌ روبرو‌ بوده‌اند.‌ نتايج‌ نشان‌ داد‌كه‌ با‌ به‌كارگيري‌مدل SegMambaو‌بهره‌گيري‌از‌مكانيزم‌فضاي‌حالت‌با‌پيچيدگي‌خطي،‌به‌ضريب‌دايس‌%‌‌93.61 و‌فاصله‌هاسدورف‌‌‌3.37ميلي‌متر‌در‌بخش‌بندي‌كل‌تومور‌دست‌يافته‌شد‌كه‌نسبت‌به‌مدلهاي‌پيشين‌عملكرد‌ برتري‌ثبت‌گرديد.‌در‌نهايت،‌معماري‌هاي‌نوين‌فضاي‌حالت‌به‌دليل‌ايجاد‌تعادل‌ميان‌دقت‌و‌سرعت،‌به‌عنوان‌ راهكاري‌كارآمد‌براي‌پردازش‌تصاوير‌پزشكي‌حجيم‌معرفي‌شدند‌.
  • نام دانشجو

    محمد توزنده جاني

  • تاريخ ارائه
    12/10/2025 12:00:00 AM
  • متن كامل
    89237
  • پديد آورنده

    محمد توزنده‌جاني

  • تاريخ ورود اطلاعات
    1404/10/15
  • عنوان به انگليسي
    Recent Deep Learning Techniques in Tumor Detection
  • كليدواژه هاي فارسي
    بخش‌بندي‌ تومور , يادگيري‌ عميق , ترانسفورمر‌هاي بينايي‌ , مدل‌هاي‌ فضاي‌ حالت
  • كليدواژه هاي لاتين
    Tumor Segmentation , Deep Learning , Vision Transformers , State-Space Models