شماره ركورد
25379
شماره راهنما
COM3 151
عنوان
تشخيص ندولهاي ريوي با استفاده از يادگيري معيار فاصله
مقطع تحصيلي
دكتري
رشته تحصيلي
مهندسي كامپيوتر - هوش مصنوعي و رباتيكز
دانشكده
مهندسي كامپيوتر
تاريخ دفاع
1404/06/03
صفحه شمار
116 ص .
استاد راهنما
دكتر سيد پيمان اديبي , دكتر سيد پيمان اديبي , حميدرضا برادران كاشاني
كليدواژه فارسي
يادگيري معيار فاصله , تشخيص ندولهاي ريوي , يادگيري خودنظارتي , يادگيري عميق , كاهش مثبت كاذب
چكيده فارسي
تشخيص دقيق ندولهاي ريوي يكي از اركان اصلي در شناسايي زودهنگام سرطان ريه است، اما به دليل تنوع بالاي شكل و ويژگيهاي تصويري ندولها همچنان چالشي جدي محسوب ميشود. اين پژوهش با هدف رفع محدوديتهاي موجود در سامانههاي تشخيص رايانهاي و از طريق معرفي راهكارهاي نوين براي كاهش مثبتهاي كاذب ارائه شده است.
نخستين نوآوري، يك چارچوب يادگيري معيار فاصله عميق است كه به منظور بهبود تمايز بين ندولها طراحي شده است. در بخشي از اين چارچوب، تابع هزينه جديدي به نام ImSoTr معرفي شده است كه با بهكارگيري چند نمونه نماينده براي هر دسته، همزمان فاصلههاي بيندستهاي را افزايش داده و پراكندگي دروندستهاي را كاهش ميدهد. اين رويكرد به شكل مؤثري ميزان حساسيت را در نرخهاي پايين مثبت كاذب افزايش ميدهد.دومين نوآوري، بازنگري در ساختار فضاي ويژگي در يادگيري خودنظارتي است. در روش پيشنهادي به جاي اتكا به يك فضاي بازنمايي واحد، چندين زيرفضاي نامتغير نسبت به تبديل ساخته ميشود. اين زيرفضاها ميتوانند بهطور پويا توسط وظايف پاييندستي وزندهي و تركيب شوند و بدين ترتيب مدلي مقاومتر و انعطافپذيرتر براي حل مسئله فراهم كنند.
در بخش داده، آزمايشها بر روي يك مجموعهدادۀ مرجع از تصاوير CT قفسهسينه و تحت روشهاي متداول ارزيابي، اجرا شده است؛ تقسيمبندي آموزش/اعتبارسنجي/آزمون و ارزيابيها مطابق رويههاي استاندارد هر حوزه انجام شده است. آزمايشهاي گسترده بر روي مجموعهدادههاي مرجع تصاوير CT قفسهسينه، كارايي روشهاي پيشنهادي را تأييد ميكند. چارچوب ImSoTr ميانگين حساسيت 2٫53 ± 85٫88٪ را بهدست آورده كه 1٫63٪ بيشتر از استفاده از تابع هزينه آنتروپي متقابل دودويي در معماري يكسان است. افزون بر اين، استفاده از يادگيري معيار فاصله بهصورت خودنظارتي در مقايسه با روشهاي متداول، بهطور پيوسته و در روشهاي ارزيابي مختلف -شامل ارزيابي خطي، ميزانسازي، يادگيري انتقالي، نامتغير بودن نسبت به تبديلها و رژيمهاي داده متنوع- عملكرد برتري از خود نشان داده است. در حوزه تشخيص ندول ريوي نيز روش پيشنهادي، در مقايسه با مدل با تعداد پارامتر برابر، بهبود معناداري در مساحت زير منحني (AUC) نسبت به بهترين روشهاي موجود ارائه كرده است.
در مجموع، يافتهها نشان ميدهد كه رويكرد يادگيري معيار فاصله -چه در حالت نظارتشده و چه نظارتنشده- بر روشهاي مبتني بر دستهبندي برتري دارد. اين روش با كاهش مثبتهاي كاذب در كنار حفظ حساسيت بالا، گامي عملي در جهت توسعه سامانههاي تشخيص رايانهاي قابلاعتمادتر براي تشخيص ندولهاي ريوي به شمار ميآيد.
كليدواژه لاتين
Pulmonary nodules , Lung cancer diagnosis , Computer-aided detection (CAD) , False positive reduction , Deep metric learning , Representation learning , Self-supervised learning
عنوان لاتين
Pulmonary Nodule Detection Using Distance Metric Learning
گروه آموزشي
مهندسي هوش مصنوعي
چكيده لاتين
Accurate detection of pulmonary nodules is a cornerstone of early lung cancer diagnosis, yet remains a formidable challenge due to the wide variability in nodule morphology and imaging characteristics. This study addresses the limitations of current computer-aided detection (CAD) systems by introducing new strategies aimed at reducing false positives and improving model senitivity.
The first contribution is a deep metric learning framework designed to enhance nodule discrimination. Central to this framework is a novel loss function, ImSoTr, which employs multiple prototypes per class. By simultaneously expanding inter-class margins and minimizing intra-class dispersion, the method effectively mitigates false positives without sacrificing sensitivity.
The second contribution revisits the paradigm of self-supervised learning. Instead of relying on a single representation space, we construct multiple transformation-invariant subspaces. These subspaces can be dynamically weighted and integrated by downstream tasks, offering a more robust and flexible representational foundation.
Extensive experiments on benchmark chest CT datasets validate the proposed approaches. The ImSoTr framework improves mean sensitivity to 85.88% ± 2.53, exceeding binary cross-entropy loss by 1.63% under identical architectures. Moreover, the self-supervised metric learning scheme consistently outperforms conventional methods across diverse evaluation criteria, including linear evaluation, Fine-tuning evaluation, transfer learning, transformation invariance, and in various data regimes. In the context of lung nodule detection, the proposed method further enhances the area under the curve (AUC) compared with state-of-the-art models with similar complexity.
Overall, the findings underscore the advantages of metric learning —both supervised and unsupervised— over traditional classification-based approaches. By lowering false-positive rates while maintaining high sensitivity, the proposed methods mark a meaningful step toward more dependable CAD systems for lung nodule detection.
تعداد فصل ها
6
فهرست مطالب pdf
150654
نويسنده