طبقه بندي شدت بيماري آرتروز زانو با استفاده از تصاوير راديوگرافي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

آرتروز زانو يكي از شايع‌ترين عوامل ناتواني حركتي در جهان است كه تشخيص زودهنگام آن نقش كليدي در مديريت روند درمان دارد. با اين حال، تشخيص دقيق مراحل اوليه بيماري بر اساس تصاوير راديوگرافي و معيار كلگرن-لورنس (KL)، به دليل ماهيت ذهني و تفاوت‌هاي ناچيز بافتي، حتي براي متخصصين نيز چالش‌برانگيز است. هدف اين پژوهش، توسعه يك سامانه هوشمند مبتني بر يادگيري عميق براي تشخيص و درجه‌بندي خودكار شدت آرتروز زانو است. در اين راستا، ابتدا معماري‌هاي مختلف شبكه‌هاي عصبي پيچشي (VGG، EfficientNet، DenseNet) پياده‌سازي و ارزيابي شدند. سپس با هدف افزايش دقت و پايداري، يك معماري يادگيري گروهي پشته‌اي (Stacking Ensemble) توسعه داده شد كه در آن خروجي مدل‌هاي پايه توسط يك متا-طبقه‌بند SVM تلفيق مي‌شوند. همچنين، به منظور تفسيرپذيري مدل و واكاوي علل خطا، از تكنيك‌هاي بصري‌سازي Grad-CAM و تحليل فضاي ويژگي (PCA) استفاده شد. نتايج نشان داد كه مدل پيشنهادي با دستيابي به دقت ٪05/70 در طبقه‌بندي 5 كلاسه، عملكردي فراتر از مدل‌هاي انفرادي و بسياري از پژوهش‌هاي پيشين ارائه مي‌دهد. تحليل‌هاي بصري اثبات كرد كه مدل با استفاده از استراتژي برش تصوير (Cropping)، قادر به مكان‌يابي دقيق فضاي مفصلي است؛ اما همپوشاني شديد ويژگي‌ها در مراحل اوليه (كلاس 0 و 1) مانع اصلي تفكيك كامل است. در نهايت، با ارائه يك راهكار غربالگري مبتني بر تفكيك افراد سالم از بيماران قطعي (حذف عدم قطعيت كلاس 1)، دقت سيستم به %2/87 افزايش يافت كه نشان‌دهنده قابليت بالاي آن براي به‌كارگيري به عنوان دستيار هوشمند در محيط‌هاي باليني است.

237690

هوش مصنوعي و رباتيك

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان