ارائه­ دهنده:

  استاد راهنما:

 دکتر محسن سریانی


هیات داوران:
دکترناصر مزینی، دکتر حمید ابریشمی مقدم

زمان:
چهارشنبه ۱۳۹۹/۰۸/۲۱

آقای امید محمودی مهر دانشجوی کارشناسی ارشد دکتر محسن سریانی چهارشنبه  ۲۱ آبان ماه از پروژه کارشناسی ارشد خود  تحت عنوان "حذف نویز تصاویر سونوگرافی با استفاده از شبکه‌های عصبی همگشتی" دفاع خواهند نمود.

چکیده پایان نامه:

تصویر برداری سونوگرافی نقش مهمی را به دلیل عدم تهاجم، ایمن و بی‌درنگ بودن در کارهای تشخیصی ایفا می‌کند. علی رغم این مزایای بزرگ، مسئله مهمی که در این بین وجود دارد، وجود نویز اسپکل است. کیفیت تصاویر سونوگرافی بطور قابل توجهی توسط این نویز کاهش می‌یابد و به تبع، اثرات منفی روی روند تفسیر و تشخیص می‌گذارد. به همین روی، حذف نویز تصاویر سونوگرافی، یک مرحله پیش پردازش مهم تلقی می‌شود.
  در این پایان‌نامه، ما با استفاده از شبکه های همگشتی Inception ، دو رویکرد برای حذف نویز اسپکل ارائه دادیم. رویکرد اول که آن را IICDAE-۳ می‌نامیم، یک شبکه همگشتی خودکدگذار حذف نویز است که ماژول Inception را به آن به منظور افزایش قدرت در استخراج ویژگی افزودیم. در رویکرد دوم که مبتنی بر نویز اسپکل است و SNICDNN-۳ نام دارد، مدل نویز را با استفاده از شبکه همگشتی Inception تخمین زده و با استفاده از روابط ریاضیاتی و همچنین انجام پیش پردازش و پس پردازش مناسب بر روی نویز تخمینی، تصویر حذف نویز شده را بازسازی نمودیم.
  نتایج حاصل از ارزیابی ها نشان داده است که روش‌های پیشنهادی توانسته‌اند معیارهای کارایی مهم در این حوزه را بهبود دهند. روش IICDAE-۳  توانسته است معیارهای PSNR، SSIM و MSE را به ترتیب به اندازه ۰.۳۹۷۶، ۰.۰۰۶۷ و ۲.۷۶۱۴ بهبود دهد. این مقادیر برای روش SNICDNN-۳  به ترتیب برابر با ۰.۵۳۶۲، ۰.۰۰۸۶ و ۳.۵۸۶۹ است. همچنین از نظر بصری، روش‌های پیشنهادی ما علاوه بر حذف نویز، اطلاعات مهم ساختاری مثل لبه‌ها را تا حد بهتری حفظ می‏کند.
 
واژه‌های کلیدی: تصویر سونوگرافی، نویز اسپکل، شبکه عصبی همگشتی، خودکدگذار مبتنی بر inception، شبکه عصبی همگشتی مبتنی بر نویز اسپکل.