|
Title
|
طراحی و پیاده سازی یک سامانه کمک آموزشی کامپیوتری برای پیش بینی خطاهای تشخیصی منفی کاذب/مثبت کاذب در ماموگرافی دیجیتال بر اساس مدل سازی خطاهای رزیدنت های رادیولوژی
|
|
Type of Research
|
Thesis
|
|
Keywords
|
آموزش رادیولوژی، ماموگرافی دیجیتال، پیش بینی خطا، خطای منفی کاذب، خطای مثبت کاذب، بهینه سازی برنامه آموزش، بینایی ماشین، یادگیری ماشین
|
|
Abstract
|
تشخیص سرطان پستان در زنان از طریق ماموگرافی، که گونه ای روش پرتونگاری است، انجام می شود. از جمله چالش ها و معایبی که ماموگرافی دارد می توان به مواردی چون مضرّ بودن اشعه ی ایکس، عدم کارایی برای بافت های پستان متراکم، امکان خطای FP بالا و امکان نیاز به تصویربرداری مجدد اشاره کرد. این چالش ها می توانند به نوبه ی خود آسیب های جسمی و روحی بسیاری را به شخص برسانند. با وجود تمامی این کاستی ها، به منظور حل و یا کاهش تاثیر آن ها، سیستم های کامپیوتری کمکی در دو دسته طراحی و توسعه یافته اند. دسته ی اول سیستم های CAD برای تشخیص در مرحله ی تصویربرداری است که تا به امروز به میزان قابل قبولی از دقت و صحت در شناسایی توده ها دست یافته اند. دسته ی دوم نیز سیستم های CAE می باشند که به منظور آموزش رزیدنت ها رادیولوژی ماهر استفاده می شوند. معمولا رزیدنت هایی که قصد دارند در زمینه ی تصویربرداری و تشخیص ماموگرافی تخصص کافی به دست آورند، ملزم به گذراندن دوره ی 6 الی 12 ماهه به صورت تعاملی با متخصص، علاوه بر مدت زمان رزیدنتی شان هستند. سیستم های CAE با هدف سرعت و دقت بخشیدن به این روند توسعه یافته اند. این سیستم ها تا کنون در دو نوع کلی پیاده سازی شده اند. نوع اول سیستم هایی هستند که بر اساس مدل سازی کاربر کار نمی کنند. در واقع این ابزارهای رایانه ای یک الگوی ثابت دارند و بدون در نظر گرفتن تفاوت های فردی هر رزیدنت، امکانات و محتویات آموزشی یکسانی را برای تمامی رزیدنت ها ارائه می دهند . درطرف دیگر، سیستم های نوع دوم امکانات آموزشی را بر اساس مدل سازی کاربران بصورت فردی فراهم می کنند. منشا طراحی این سیستم ها فرضیه ی احتمالی نبودن اکثر خطاهای تشخیصی کاربر بوده است؛ یعنی می توان الگوهایی را از تشخیص نادرست کاربر استخراج کرد که در جهت بهبود آموزش هر فرد می توانند مورد استفاده قرار گیرند. بنابراین خطاهای بعدی و نقاط ضعف رزیدنت با تکنیک های مبتنی بر یادگیری ماشین تا حد زیادی قابل پیش بینی خواهد شد. CAEهای مبتنی بر مدل سازی کاربر که تاکنون پیاده سازی شده اند دارای کاستی هایی همچون معیارهای داده ای پیچیده، کوچک بودن جامعه ی آماری، محدود بودن توصیف گرهای ورودی و عدم یکپارچگی سیستم برای پیش بینی هرنوع خطای کاربر هستند. پیرو توضیحات ذکر شده، بهبود و ارتقای سیستم های کمک آموزشی CAE ملزم به طراحی و پیاده
|
|
Researchers
|
(Student)، Mahdi Hashemzadeh (Primary Advisor)، Mahnaz Ranjkesh (Advisor)
|