ارائه کننده الهه میرزاخانی
استاد راهنما: دكتر توكتم خطيبي
استاد راهنماي دوم : دكتر محمد ايتي فيروزآبادي
استاد داور داخلي: دكتر محمدمهدي سپهري
استاد داور خارج از دانشگاه: دكتر ساناز زرگر
نماينده تحصيلات تكميلي: دكتر محمدمهدي سپهري
تاریخ: 1403/10/10     
ساعت: 13:00
مكان: اتاق 215 دانشكده فني و مهندسي

چکیده:
رباط جانبی داخلی زانو یکی از چهار رباط اصلی زانو است که در بخش داخلی زانو قرار دارد و به پایداری و کنترل حرکات زانو کمک می‌کند. تشخیص آسیب‌های رباط جانبی داخلی از طریق تصاویر رزونانس مغناطیسی برای پزشکان اهمیت زیادی دارد چرا که این تصاویر جزئیات دقیقی از بافت‌های نرم ارائه می‌دهد، که به تشخیص دقیق‌تر و سریع‌تر آسیب‌های رباط کمک می‌کند و کاری زمان‌بر برای پزشک محسوب می­شود. اما امروزه هوش مصنوعی و شبکه­های عصبی کمک شایانی در ارتباط با تسریع تشخیص بیماری­ها برای پزشکان کرده است. بنابراین ساخت یک شبکه عصبی که بتواند به عنوان پزشک­یار برای تشخیص پارگی این رباط عمل کند، امری ضروری است.
هدف این تحقیق طراحی مدلی‌هایی مبتنی بر شبکه‌های عمیق برای تشخیص پارگی رباط جانبی داخلی زانو با استفاده از تصاویر رزونانس مغناطیسی، به منظور کاهش زمان و افزایش سرعت تشخیص پارگی است.
به منظور تحقق این هدف، مجموعه داده‌ای از تصاویر رزونانس مغناطیسی از پایگاه داده ارتوپدی 'بیمارستان امام خمینی، ایران' اتخاذ نموده‌ایم. این مجموعه داده شامل 3600 تصویر رزونانس مغناطیسی زانو از 60 بیمار است که تعداد تصاویر هر کدام از بیماران به طور متوسط 60 تصویر با وضوح 512 × 512 پیکسل است. در این پژوهش تصاویر رزونانس مغناطیسی واقعی برای ارزیابی مدل استفاده شده و فرآیند طراحی چهار مدل شبکه عصبی شامل تشخیص پارگی رباط جانبی داخلی با استفاده از شبکه‌های عصبی پیچشی، شبکه عصبی پیش‌آموزش‌دیده VGG19 با دو رویکرد Fine-Tuning و Transfer Learning و ترکیب شبکه عصبی U-Net و شبکه عصبی پیچشی، ارائه و نحوه تنظیم پارامترها برای اتخاذ مدل برتر در تشخیص پارگی رباط جانبی داخلی به تفصیل توضیح داده شده است. سپس مدل‌ها با شاخص‌هایی مانند دقت، صحت و میانگین مربعات خطا مورد ارزیابی قرار گرفته و مدل برتر براساس این شاخص‌ها انتخاب گردیده است. 
براساس شاخص‌های ارزیابی، مدل برتر برای تشخیص پارگی رباط جانبی داخلی، استفاده از VGG19 با رویکرد Fine-Tuning با دقت 98 درصد است. همچنین مدل تلفیقی شبکه عصبی U-Net و شبکه عصبی پیچشی، عملکرد بهتری در حدود دو درصد نسبت به مدل دیگر که تنها از شبکه عصبی پیچشی استفاده کرده است، را نشان می‌دهد. نتایج حاصل‌شده از مدل‌های این پژوهش نشان می‌دهد که مدل پیشنهادی برتر می‌تواند با دقت بالا پارگی رباط جانبی داخلی زانو را تشخیص دهد.
استفاده از رویکردهای یادگیری عمیق در تشخیص پارگی رباط جانبی داخلی زانو نشان­دهنده پیشرفت قابل توجهی در تشخیص پزشکی از لحاظ افزایش دقت و سرعت تشخیص پارگی و کاهش خطاهای انسانی که منجر به بهبود کیفیت و کاهش هزینه درمان می‌شود، است. از سوی دیگر انجام چنین پژوهش‌هایی در قالب سیستم‌های کمک تشخیصی به عنوان پزشک‌یار، می‌تواند باعث بهبود فرآیندهای سیستم‌ درمانی و کمک به پزشکان و جراحان ارتوپد کم تجربه و کاهش خطا پزشکان باتجربه گردد.