شماره ركورد
25914
شماره راهنما
BIOMED2 249
عنوان
بخشبندي عروق صلبيه در تصاوير لامپ شكافي با استفاده از مدلهاي تركيبي عميق پيچشي-مبدل
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي پزشكي- بيوالكتريك
دانشكده
فني و مهندسي
تاريخ دفاع
1404/11/25
صفحه شمار
97 ص.
استاد راهنما
رضا راستي بروجني
كليدواژه فارسي
بخشبندي عروق صلبيه , پردازش تصاوير پزشكي , تصويربرداري لامپ شكافي , شبكههاي عصبي پيچشي , يادگيري عميق , مبدلها
چكيده فارسي
بخشبندي دقيق شبكه عروقي صلبيه در تصاوير لامپ شكافي يك گام كليدي براي تشخيص و پايش طيف وسيعي از بيماريهاي چشمي و نظاممند است. با اين حال، چالشهايي نظير بازتابهاي نوري، كنتراست پايين و آرتيفكتهاي حركتي، دقت روشهاي خودكار را محدود مي كنند. اين پژوهش با هدف غلبه بر اين محدوديت ها، يك معماري يادگيري عميق تركيبي نوين مبتني بر شبكههاي عصبي پيچشي و مبدل براي بخشبندي خودكار و دقيق عروق صلبيه ارائه مي دهد. معماري پيشنهادي، قابليت استخراج ويژگيهاي محلي دقيق توسط شبكههاي عصبي پيچشي را با توانايي مدلسازي وابستگيهاي مكاني دوربرد توسط مكانيزم خودتوجهي در مبدل تلفيق ميكند. مدل بر روي پايگاه داده عمومي SBVPI آموزش و ارزيابي شد. مراحل پيشپردازش شامل شيوههاي پيشرفته، حذف بازتاب و نرمالسازي كنتراست بود. مدل پيشنهادي به عملكردي برجسته با دقت 0219/0 ± 9744/0، ضريب تاس 0364/0 ± 9291/0، ويژگي مقدار 0124/0 ± 9817/0 و حساسيت 0285/0 ± 9637/0 دست يافت و برتري معناداري نسبت به معماريهاي استاندارد شامل GT-U-Net و مدلهاي مبتني بر مبدل صرف نظير CoTr نشان داد. اين نتايج نشاندهنده تعادل مناسب ميان تشخيص صحيح نواحي عروقي و جلوگيري از مثبتهاي كاذب در خروجي مدل است. معماري تركيبي عميق پيچشي-مبدل (Transformer-CNN) پتانسيل باليني به عنوان يك ابزار قدرتمند، دقيق و قابل اعتماد براي تحليل كمي عروق صلبيه در كاربردهاي باليني دارد.
كليدواژه لاتين
Segmentation of the scleral vessels , Medical image processing , Slit lamp imaging , Convolutional neural networks , Deep learning , transformer
عنوان لاتين
Scleral vessel segmentation in Slit-Lamp photography using Deep Hybrid CNN-Transformer models
گروه آموزشي
مهندسي پزشكي
چكيده لاتين
Precise segmentation of the scleral vascular network in slit-lamp images is essential for diagnosing and monitoring eye and systemic diseases. However, specular reflections, low contrast, and motion blur hinder automated accuracy. We present a deep learning method combining convolutional neural networks (CNNs) and transformers for fully automatic scleral vessel segmentation. The hybrid design unites local feature extraction from CNNs with transformersʹ long-range spatial self-attention. The model was trained and evaluated on the public SBVPI dataset, with preprocessing that included advanced reflection removal and contrast normalization. Our model achieved an accuracy of 0.9744 ± 0.0219, a Dice coefficient of 0.9291 ± 0.0364, a specificity of 0.9817 ± 0.0124, and a sensitivity of 0.9637 ± 0.0285, outperforming standard architectures such as GT-U-Net and CoTr. These results demonstrate effective vascular detection and reduced false positives. The hybrid model offers clinicians a reliable, automated tool to support diagnosis, disease tracking, and objective monitoring of patient outcomes, directly enhancing the quality and efficiency of ophthalmic care.
تعداد فصل ها
5
فهرست مطالب pdf
160891
نويسنده