محمد حسین شکور

روشهای مبتنی بر یادگیری عمیق، بهویژه شبکههای عصبی پیچشی ، پیشرفتهای قابلتوجهی در پردازش تصاویر پزشکی رقم زدهاند.در این پژوهش، یک مدل جدید مبتنی بر معماری یونت ١برای بخشبندی تومورهای مغزی در تصاویر MRIچندکاناله طراحی و پیادهسازی شده است. نوآوری اصلی مدل در بهکارگیری ترکیبی از ماژولهای توجه مکانی و کانالی، شامل ماژول توجه مکانی-کانالی و بلوک ،٢ SEبهمنظور تمرکز پویا بر نواحی مهم تصویر و تقویت ویژگیهای کلیدی بافت تومور نهفته است. این طراحی منجر به افزایش دقت و بهبود سرعت همگرایی مدل در فرآیند آموزش شده است. مدل پیشنهادی با استفاده از مجموعهداده BraTS2023آموزش دیده و تصاویر ورودی پس از پیشپردازشهایی مانند نرمالسازی، حذف نویز و یکسانسازی ابعاد به شبکه ارائه شدهاند. آموزش مدل با بهرهگیری از ترکیب توابع هزینه دایس و هزینه آنتروپی متقاطع انجام شده است. نتایج تجربی نشان میدهند که مدل پیشنهادی با حداکثر ٣٢اپوک آموزش ، با دستیابی به امتیاز دایس برابر با ٠/٧٦عملکرد بهتری نسبت به مدلهای پایه مانند ) U-Net (٠/٤٤و ) Attention U-Net (٠/٥٠دارد. همچنین، دقت و حساسیت مدل در شناسایی نواحی کمکنتراست و تومورهای کوچک بهطور محسوسی افزایش یافته است.مدل نهایی با کاهش تعداد پارامترها و زمان پیشبینی، ساختاری سبک و کارآمد ارائه میدهد که امکان استفاده عملی در محیطهای بالینی را فراهم میسازد. در پایان، پیشنهاداتی برای توسعه آتی از جمله بهکارگیری معماریهای مبتنی بر ترنسفورمر، بهینهسازی ابرپارامترها و بهرهگیری از یادگیری نیمهنظارتی ارائه شده است. این پژوهش گامی مؤثر در جهت ارتقای دقت و اعتمادپذیری سامانههای هوشمند تحلیل تصاویر پزشکی