ارائه کننده: فاطمه پوزش
استاد راهنما: دكتر توكتم خطيبي
استاد داور داخلي: دكتر مهرداد كارگري
استاد داور خارج از دانشگاه: دكتر ساناز زرگر
نماينده تحصيلات تكميلي: دكتر مهرداد كارگري
تاریخ: 1403/09/06
ساعت: 8
مکان: كريدور زيست كارآفريني دانشكده فني و مهندسي

چکیده:
این پژوهش با هدف بررسی و پیش‌بینی پاسخ به درمان بیماران مبتلا به ویتیلیگو از طریق پردازش تصاویر و استفاده از شبکه‌های عصبی عمیق انجام شده است. ویتیلیگو، که به عنوان یک بیماری پوستی شایع شناخته می‌شود، به واسطه تغییرات رنگدانه‌ای در پوست، تأثیرات روانی و اجتماعی عمیقی بر روی بیماران می‌گذارد. این بیماری می‌تواند منجر به احساس خجالت، کاهش اعتمادبه‌نفس و مشکلات اجتماعی در افراد مبتلا شود. در این راستا، تشخیص به‌موقع و مؤثر درمان می‌تواند به بهبود کیفیت زندگی بیماران و افزایش رضایت آنان از روند درمان کمک کند. در این پژوهش، با تمرکز بر مدل‌های خودرمزنگار، تلاش شده است تا تغییرات پوست بیماران به دقت شبیه‌سازی و پیش‌بینی شود. این مدل‌ها با قابلیت‌های پیشرفته خود در یادگیری ویژگی‌های پیچیده تصاویر و فشرده‌سازی اطلاعات، یک ابزار مناسب برای تحلیل داده‌های پزشکی محسوب می‌شوند. از این طریق، امکان شناسایی الگوهای پنهان در داده‌های تصویری و پیش‌بینی روند درمان با دقت بیشتری فراهم می‌شود. در مرحله اول پژوهش، داده‌های تصویری بیماران مبتلا به ویتیلیگو از منابع مختلف جمع‌آوری شد. این داده‌ها طی مراحل مختلف شامل تصحیح نور، افزایش کیفیت تصاویر و نرمال‌سازی داده‌ها پیش‌پردازش شدند. این فرایندها به بهبود دقت و کیفیت داده‌های ورودی مدل کمک کرده و مبنای محکمی برای آموزش مدل‌های یادگیری عمیق فراهم آورده‌اند. سپس، مجموعه‌ای از مدل‌های خودرمزنگار طراحی، آموزش و ارزیابی شد که قابلیت استخراج ویژگی‌های مهم و پیچیده از تصاویر پوستی را داشتند. نتایج به‌دست‌آمده از این پژوهش نشان‌دهنده عملکرد موفق مدل‌های خودرمزنگار در پیش‌بینی تغییرات وضعیت پوستی بیماران است. این مدل‌ها به‌ویژه در ارزیابی تأثیر درمان‌های مختلف بر پوست بیماران عملکردی مؤثر داشته‌اند. یافته‌های پژوهش نشان می‌دهند که استفاده از این مدل‌ها می‌تواند به پزشکان کمک کند تا روش‌های درمانی مناسب‌تری برای هر بیمار انتخاب کنند و روند درمان را به صورت پویا مدیریت کنند. علاوه بر این، پژوهش حاضر بر اهمیت بهره‌گیری از فناوری‌های پیشرفته در پزشکی تأکید دارد. تکنیک‌های یادگیری عمیق می‌توانند دقت و سرعت عمل در تحلیل داده‌های پزشکی را بهبود بخشیده و ابزارهای تشخیصی و درمانی جدیدی را ارائه کنند. برای مثال، در شرایطی که زمان تصمیم‌گیری حیاتی است، این تکنیک‌ها می‌توانند راه‌حلی دقیق‌تر و سریع‌تر در اختیار پزشکان قرار دهند. همچنین، امکان استفاده از این فناوری در بیماری‌های پوستی دیگر نظیر پسوریازیس یا ملانوما نیز وجود دارد که می‌تواند دامنه کاربرد آن را گسترش دهد. افزون بر این، این پژوهش نشان داد که تحلیل پیشرفته تصاویر نه‌تنها در شناسایی الگوهای تغییرات پوستی بلکه در پیش‌بینی اثرات درمانی بسیار مؤثر است. با استفاده از داده‌های بزرگ و متنوع، این امکان فراهم شد که ارتباطات میان عوامل مختلف نظیر سن، شدت بیماری، و نوع درمان با روند بهبودی بیماران بررسی شود. چنین رویکردی به پزشکان این قابلیت را می‌دهد تا برای هر بیمار، برنامه‌ای شخصی‌سازی‌شده و مبتنی بر شواهد ارائه دهند. در مجموع، این پژوهش علاوه بر فراهم کردن راه‌حل‌های عملی برای مدیریت بیماران ویتیلیگو، گامی مهم در توسعه کاربردهای یادگیری عمیق در پزشکی به شمار می‌رود. استفاده از این فناوری‌های نوین می‌تواند افق‌های جدیدی را برای بهبود کیفیت درمان و ارتقای سطح سلامت بیماران باز کند.