|
Title
|
شخصی سازی آموزش رزیدنت های رادیولوژی با استخراج تعاملی مدل خطاهای تشخیصی مثبت کاذب و منفی کاذب بر روی تصاویر رادیوگرافی (مورد مطالعه: تصاویر رادیوگرافی قفسه سینه)
|
|
Type of Research
|
Thesis
|
|
Keywords
|
شخصی سازی آموزش، رادیوگرافی قفسه سینه، پیش بینی خطا، خطای منفی کاذب، خطای مثبت کاذب، استخراج مدل آموزش، بینایی ماشین، یادگیری ماشین
|
|
Abstract
|
شخصی سازی آموزش در حوزه های مختلف، دارای اهمیت ویژه ای است. چرا که هر فرد دارای ویژگی های خاص و تجارب متفاوت بوده و گاهاً در شرایط محیطی متفاوتی آموزش و تجربه کسب کرده است؛ و جلوگیری از ایجاد تعصب در تشخیص و یکپارچه سازی آموزش در جهت کاهش خطا و اختلافات حائز اهمیت است. سیستم های کامپیوتری کمک آموزشی در حوزه تصویربرداری پزشکی 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 توسط بسیاری از محققان توسعه یافته و در بسیاری از عارضه ها به دقت قابل قبولی رسیده اند. دسته ی دوم نیز سیستم های CAE هستند که به منظور آموزش رزیدنت های رادیولوژی استفاده می شوند. معمولا رزیدنت هایی که قصد دارند در زمینه ی تصویربرداری و تشخیص عارضه های قابل تفسیر از طریق تصاویر اشعه ایکس قفسه سینه تخصص کافی بدست آورند، ملزم به گذراندن دوره ی 6 الی 12 ماهه به صورت تعاملی با متخصص رادیولوژی، علاوه بر مدت زمان رزیدنتی خودشان هستند. سیستم های CAE با هدف افزایش سرعت و دقت 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 یک الگوی ثابت دارند و بدون در نظر گرفتن تفاوت های فردی هر رزیدنت، امکانات و محتویات آموزشی یکسانی را برای تمامی رزیدنت ها در حوزه های مختلف رادیولوژی ارائه می دهند. در طرف دیگر، سیستم های نوع دوم امکانات آموزشی را بر اساس مدل سازی کاربران بصورت شخصی سازی شده 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 گیرد. بنابراین خطاهای بعدی و نقاط ضعف رزیدنت ها با تکنیک های مبتنی بر یادگیری ماشین تا حد زیادی قابل پیش بینی خواهد شد. CAEهای مبتنی بر مدل سازی کاربر که تا کنون 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 خطاهای گوناگون کاربر هستند. از اینرو، بهبود و ارتقای سیستم های کمک آموزشی CAE نیازمند طراحی و پیاده سازی سیستمی یکپارچه است که بتواند کاستی ها
|
|
Researchers
|
(Student)، Mahdi Hashemzadeh (Primary Advisor)، Jalil Ghavidel Neycharan (Advisor)
|