مریم مومنی

آرتروز زانو علی رقم انتشاری که در سنین مختلف دارد به کمک تصاویر پزشکی و علائم بالینی قابل شناسایی است. از سویی دیگر انواع آسیب لیگامنت از جمله آسیب لیگامنت قدامی باعث بوجود آمدن نوعی آرتروز پس از سانحه می شود و به تبع آن بوجود آمدن زودهنگام آرتروز پیری و فرسایش شدید مفاصل زانو می شود. حذف اختلالات ناخواسته از جمله انواع نویز و بهبود تصاویر تشدید مغناطیسی، در افزایش دقت تشخیص خودکار انواع ضایعات و آسیب-های لیگامنت مؤثر می باشد. وجود علائم و ویژگی های متعدد مختلف این عارضه، تشخیص زودهنگام را برای پزشکان دشوار می کند لذا پردازش تصاویر تشدید مغناطیسی امکان تحلیل وضعیت بیماران و مشاهده پیشرفت عارضه را برای تصمیم گیری پزشکان تسهیل می کند. هدف این تحقیق، ارائه یک مدل برای بهبود تصاویر در جهت افزایش دقت پیش بینی و طبقه بندی شدت آسیب لیگامنت در پیشگیری ابتلا به آرتروز می باشد. در این پژوهش از 917 تصویر تشدید مغناطیسی بیمار در پایگاه داده KneeMRI با تعداد نهایی 4948 اسلاید و دارای آسیب لیگامنت قدامی از هر دو پای چپ و راست در سه کلاس سالم، قسمتی آسیب دیده، و کاملاً آسیب دیده، استفاده شده است. در این پژوهش سعی برآن شد که پس از مراحل پیش پردازش، با استفاده از ترکیب ساختار های یادگیری عمیق در ابتدا کیفیت تصاویر افزایش یافته و ویژگی های غالب در تصاویر استخراج شود که این امر خود کمک شایانی در طبقه بندی نهایی می نماید. بدین منظور، در کنار استفاده از Autotune Pipline جهت اعمال به هنگام تصاویر به مدل ها و نیز نرمال سازی تصاویر در پیش پردازش، از شبکه خودرمزنگار بر پایه شبکه U-Net به علت توانایی این شبکه در بهبود کیفیت تصاویر و همچنین از دست ندادن ویژگی های اصلی و استخراج نقشه ویژگی تصاویر استفاده شده است. همچنین از شبکه ترکیبی ResNet-CapsNet به دلیل دقت بالای شبکه کپسول در طبقه بندی و از شبکه ResNet به دلیل قابلیت استفاده مجدد از وزن های قبلاً آموزش دیده شده و استخراج ویژگی تصاویر جهت طبقه بندی نهایی، استفاده شده است. در راستای هدف اصلی پژوهش و بررسی استخراج صحیح ویژگی های غالب تصاویر و دقت تشخیص، چهار مدل 1) طبقه-بندی با شبکه پیچشی ResNet-CapsNet با استفاده از تصاویر نویزی 2) طبقه بندی با شبکه پیچشی ResNet-CapsNet با استفاده از تصاویر بدون نویز 3) طبقه بندی با شبکه پیچشی ResNet-CapsNe