31310

بررسي امكان تشخيص نوع باكتري بر اساس تست هاي آزمايشگاهي با استفاده از پردازش تصوير و شبكه هاي عصبي

كارشناسي ارشد

مهندسي برق

1400

1403/07/02

احمد آيت اللهي

--

مهندسي برق

ميكروب‌شناسي نقش حياتي در تشخيص و درمان بيماري‌هاي عفوني، نظارت بر محيط‌زيست و ايمني مواد غذايي ايفا مي‌كند. از طريق ميكروب‌شناسي مي‌توان روش‌هاي درماني مناسبي را براي بيماري‌هاي مختلف انتخاب كرد. با وجود پيشرفت‌هاي قابل‌توجه در آزمايش‌هاي تشخيص باكتري، اين آزمايش‌ها همچنان پيچيده، زمان‌بر و مستعد خطا هستند. در سال‌هاي اخير، هوش مصنوعي و يادگيري عميق كاربردهاي گسترده‌اي در حوزه‌هاي مختلف، از جمله دستيارهاي صوتي، تشخيص چهره، خانه‌هاي هوشمند و حتي انجام جراحي‌ها براي كاهش خطاهاي انساني پيدا كرده‌اند. همچنين تشخيص باكتري‌ها از طريق پردازش تصوير كاربردهاي فراواني دارد. به‌عنوان‌مثال، اين تكنيك‌ها مي‌توانند براي تشخيص سريع بيماري‌هاي عفوني از طريق شناسايي باكتري‌هاي موجود در نمونه خون، ارزيابي كيفيت آب و شناسايي ميكروب‌هاي آلوده در محيط‌هاي مختلف، و همچنين تشخيص باكتري‌هاي مضر در محصولات غذايي مورداستفاده قرار گيرند. در اين پايان‌نامه تلاش خواهد شد تا وظيفه تشخيص باكتري‌ها به شبكه‌هاي عصبي (يادگيري عميق) و تكنيك‌هاي پردازش تصوير سپرده شود. اين پايان‌نامه به بررسي استفاده از اطلاعات حاصل از آزمايش‌هايي مانند رنگ‌آميزي گِرَم و ويژگي‌هاي ظاهري باكتري‌ها مي‌پردازد. در نهايت، با بهره‌گيري از شبكه‌هاي عصبي و تكنيك‌هاي پردازش تصوير مانند افزايش داده، امكان تشخيص دقيق باكتري‌ موجود در نمونه فراهم خواهد شد. در نهايت در اين پايان‌نامه بررسي شد شبكه‌هاي عميق مبتني بر مكانيزم توجه عملكرد قابل قبولي از خود نشان داده‌اند و شبكه SWIN-B توانست با صحت 98.99% در صدر شبكه‌هاي پيشين معرفي شده و شبكه‌هاي مبتني بر مكانيزم توجه قرار گيرد.

1403/07/17

Investigating the possibility of detecting bacteria type based on laboratory tests using image processing and neural networks

1/1/1900 12:00:00 AM

Microbiology plays a crucial role in the diagnosis and treatment of infectious diseases, environmental monitoring, and food safety. Through microbiology, appropriate therapeutic methods can be selected for various diseases. Despite significant advancements in bacterial diagnostic tests, these tests remain complex, time-consuming, and prone to errors. In recent years, artificial intelligence and deep learning have found extensive applications in various fields, including voice assistants, facial recognition, smart homes, and even performing surgeries to reduce human errors. Image processing techniques also hold significant potential for bacterial identification. For example, these techniques can be used for the rapid diagnosis of infectious diseases through the detection of bacteria in blood samples, assessing water quality, identifying harmful microbes in different environments, and detecting harmful bacteria in food products. This dissertation aims to delegate the task of bacterial identification to neural networks (deep learning) and image processing techniques. The study focuses on utilizing data from tests such as Gram staining and bacterial morphological characteristics. Ultimately, by employing neural networks and image processing techniques, such as data augmentation, the accurate detection of bacteria present in samples will be possible. In conclusion, this research demonstrates that attention-based deep networks exhibit satisfactory performance, with the SWIN-B network achieving a leading accuracy of 98.99%, surpassing previously introduced networks based on attention mechanisms.

پردازش تصوير , ميكروب‌شناسي , شبكه عصبي , يادگيري عميق , ترنسفورمر بينايي

Image processing , Microbiology , Neural network , Deep learning , Vision transformers

Milad Norouzi

Dr. Ahmad Ayatollahi