ارائه کننده : شکوفه یراقی
استاد راهنما: دكتر توكتم خطيبي
استاد مشاور: دكتر محمدمهدي سپهري
استاد داور داخلي: دكتر بابك تيمورپور، دكتر سيدكمال چهارسوقي
استاد داور خارج از دانشگاه: دكتر علي كمندي، دكتر مهرداد روانشاد
نماينده تحصيلات تكميلي: دكتر بابك تيمورپور
تاریخ: 1403/11/14
ساعت: 09:00
مكان: اتاق 220 دانشكده فني و مهندسي

چکیده: 
بيماري ­قوزقرنيه بيماري است كه در آن چشم فرم طبيعي خود را از دست مي­دهد و مخروطي شکل می­گردد. تشخیص این بیماری در مراحل اولیه تنها با علائمی مثل مراجعات مکرر بیمار به چشم پزشک، تغییر شماره چشم بیمار و عدم اصلاح دید با عینک همراه است و دستگاه­های تشخیص بیماری قوزقرنیه مثل پنتاكم، اورب اسكن و مقطع‌نگاری همدوسی بینایی امکان تشخيص خودکار افراد مستعد بیماری را ندارند. با توجه به آنکه تشخیص افراد مستعد برای پزشکان دشوار است و این افراد اکثرا بیماری­های دیگری مثل نزدیک­بینی، دوربینی یا آستیکمات نیز دارند و ممکن است برای رهایی از عینک قصد انجام عمل لیزیک یا لازک را داشته باشند، در صورت عدم تشخیص بیماری و انجام عمل، ممکن است مادام العمر مجبور به استفاده از عینک شوند یا اینکه قرنیه آنها بسیار نازک شده و در گروه افراد با قوزقرنیه پیشرفته قرار گیرند که عوارض آن برای بیماران بسیار جدی است. هدف از اين پژوهش ارائه مدلي براي تشخيص زودهنگام افراد مستعد بيماري قوزقرنيه و طبقه بندی بیماران قوزقرنیه با کمک داده­هاي چشم پزشكي است. براي ارائه مدل پيشنهادي سه سناريو مختلف براي تشخيص افراد مستعد و طبقه بندی بيماري مطرح شده است. مدل پیشنهادی این پژوهش، مبتنی بر تلفیق چند انگارش است. انگارش اول بر اساس ترکیب استخراج ویژگی از خودرمزگذار و طبقه‌بندی با استفاده از مدل ترکیبی پشته‌ای طراحی شده است. در این انگارش، ویژگی‌ها از طریق یک خودرمزگذار استخراج می‌شوند که قابلیت یادگیری ویژگی‌های کلیدی از داده‌های ورودی را دارد. سپس، این ویژگی‌ها با استفاده از یک مدل پشته‌ای که شامل دو لایه است، طبقه‌بندی می‌شوند. انگارش دوم مبتنی بر استفاده از تصاویر نقشه ضخامت از مجموعه داده کوهورت شاهرود برای طبقه‌بندی بیماری است. در این انگارش، ویژگی‌ها با استفاده از مدل‌های پیش‌آموزش‌دیده استخراج شده و سپس طبقه‌بندی با بهره‌گیری از مبدل‌بینایی انجام می‌شود.  انگارش سوم به استفاده از هفت نقشه دستگاه پنتاکم برای تشخیص بیماری اختصاص دارد و از مدل‌های پیش‌آموزش‌دیده و مبدل‌بینایی به‌صورت مدل ترکیبی بهره می‌برد. این انگارش شامل سه رویکرد مختلف در تشخیص بیماری است:  رویکرد اول، تغییر مبدل به شبکه پیچشی و انتقال دانش از مدل‌های پیش‌آموزش‌دیده است. رویکرد دوم، استخراج ویژگی‌ها از دو مدل پیش‌آموزش‌دیده و مبدل بینایی و ادغام آن‌ها با استفاده از یک تکنیک ادغام ویژگی‌ها به‌عنوان ورودی به یک شبکه عصبی برای طبقه‌بندی است. رویکرد سوم، استفاده از مدل ترکیبی مبتنی بر رای اکثریت با استفاده از مدل‌های پیش‌آموزش‌دیده و مبدل بینایی می‌باشد. انگارش اول به صحت 0.96 برای چهار کلاس و 0.98 برای تفکیک دو کلاس نرمال و فرم مخفی قوزقرنیه دست یافت. انگارش دوم نیز صحت 0.96 برای دو کلاس نرمال و قوزقرنیه را نشان داد. در انگارش سوم، رویکرد سوم به صحت 0.88 برای دو کلاس نرمال و فرم مخفی قوزقرنیه رسید. نتایج این پژوهش می‌تواند به عنوان یک سیستم تصمیم‌یار در کنار پزشکان جهت تأیید تشخیص‌های آن‌ها به کار رود. همچنین، طبقه‌بندی بیماری می‌تواند منجر به فرایند درمانی متفاوتی برای هر یک از بیماران شود. تشخیص زودهنگام افراد مستعد بیماری قبل از عمل جراحی می‌تواند عوارض ناشی از جراحی‌های نامناسب، نظیر لیزیک یا لازک، را کاهش دهد. این امر به بهبود نتایج درمانی و کاهش ریسک‌های مرتبط با جراحی کمک خواهد کرد.