بخش‌بندي ضايعات پوستي با استفاده از شبكه؜‌هاي عصبي عميق

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

سرطان پوست از رايج‌ترين و مرگ‌بارترين سرطان‌ها در سطح جهاني به شمار مي‌رود. بخش‌بندي دقيق ضايعات پوستي نقش مهمي در سامانه‌هاي كمك‌تشخيص سرطان پوست دارد اما چالش‌هايي همچون تنوع ظاهري ضايعات و مرزهاي نامنظم، عملكرد مدل‌هاي موجود را محدود مي‌كند. هدف اين پژوهش، افزايش دقت بخش‌بندي در كنار حفظ پيچيدگي محاسباتي در سطحي مناسب براي كاربردهاي بلادرنگ است. بدين منظور دو مدل پيشنهادي مبتني بر شبكه‌هاي عميق ارائه شده است. مدل نخست با الهام از مدل UCM-NetV2 طراحي شده و از يك رمزگذار دوگانه مبتني بر مدل MobileViT-S و ماژول تزريق جزئيات و معنا بهره مي‌برد. اين مدل با بهره‌؜گيري از تكنيك افزايش داده در زمان آزمون و مكانيزم تشخيص و برش ضايعات كوچك، در مقايسه با مدل پايه، توانايي بهتري در بخش‌بندي نمونه‌هاي چالش‌برانگيز نشان داده است. اين روش بر روي دو مجموعه‌داده ISIC2017 و ISIC2018 به ترتيب به ضريب دايس 92/66 و 91/04 درصد دست يافته و نسبت به مدل پايه در عين حفظ پيچيدگي پايين، دقت بالاتري ارائه كرده است. مدل دوم نسخه ارتقايافته‌اي از مدل جديد DFF-UNet است كه در آن رمزگذار دوگانه، ماژول تركيب ويژگي، رمزگشاي بهبوديافته و ماژول پل بازطراحي شده‌اند. نتايج نشان مي‌دهد كه مدل پيشنهادي دوم در مجموعه‌داده‌هاي ISIC2017 و ISIC2018 با تقسيم‌؜بندي مطابق روش پايه، به ترتيب بهبود 4/17 و 2/35 درصدي در ضريب دايس نسبت به مدل پايه ايجاد كرده است. مقايسه‌؜ي عملكرد مدل؜‌ها بيانگر آن است كه هر دو مدل پيشنهادي نسبت به مدل‌هاي پايه برتري دارند؛ با اين تفاوت كه مدل اول سبك‌تر است و مدل دوم بالاترين دقت را در اكثر سناريوها كسب كرده است. به طور كلي، يافته‌هاي اين پژوهش اثربخشي معماري‌هاي طراحي‌شده را در بهبود بخش‌بندي ضايعات پوستي تأييد مي‌كند.

237002

هوش مصنوعي و رباتيكز

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان