ارائه‌کننده: ایمان غلامی    
استاد راهنما: دکتر روزبه عابدینی نسب
استاد ناظر داخلی: دکتر مجید ساده دل
استاد ناظر خارجی: دکتر منیژه مختاری دیزجی
تاریخ: ۱۴۰۴/۰۷/۰۸
ساعت: ۸:۰۰
مکان: ساختمان فنی و مهندسی، بلوک شماره سه،  طبقه منفی یک، اتاق سمینار

چکیده:
بیماری‌های قلبی یکی از شایع‌ترین دلایل مرگ‌ومیر در جهان به شمار می‌روند و تشخیص به‌موقع آن‌ها می‌تواند نقش کلیدی در نجات جان بیماران داشته باشد. در این پژوهش، یک سیستم هوشمند برای تحلیل تصاویر اولتراسوند قلب از نمای چهار حفره‌ای به‌منظور ارزیابی سلامت قلب ارائه می‌دهد. برای پژوهش حاضر، از یک پایگاه‌داده عمومی شامل ویدئوهای اکوکاردیوگرافی استفاده شد.
فریم‌های مربوط به مرحله دیاستول از این ویدئو ها استخراج شد و طبق پارامتر کسر جهشی در دو گروه سالم و بیمار طبقه‌بندی شدند. برای بهبود کیفیت تصاویر، از روش‌های پیش‌پردازش مانند فیلتر گاوسی و تعادل‌سازی هیستوگرام تطبیقی استفاده شد. سپس، مدل‌های پیشرفته یادگیری عمیق شامل YOLO  و واریاسیون‌هایی از معماری  U-Net برای شناسایی حفره‌های قلب و استخراج شکل آن‌ها به‌صورت ماسک‌های رنگی به کار گرفته شدند که دقتی برابر با ۹۸٫۴٪ حاصل شد. در ادامه، این ماسک‌ها برای اندازه‌گیری ویژگی‌های آناتومیکی مهم و تأثیرگذار مورداستفاده قرار گرفتند. فرایند اندازه‌گیری ویژگی‌ها به‌صورت کاملاً خودکار توسط یک سیستم توسعه‌یافته انجام شد.
با بهره‌گیری از الگوریتم جنگل تصادفی، پنج ویژگی مهم‌تر نسبت به سایر ویژگی‌ها انتخاب و برای آموزش مدل جنگل تصادفی به‌منظور تشخیص نمونه‌های سالم و بیمار استفاده شد. این مدل در مجموعه آزمایشی محدود به‌دقت ۱۰۰% دست‌یافت. بااین‌حال، اجرای آن روی چندین مجموعه‌داده دیگر می‌تواند به تأیید تعمیم‌پذیری آن کمک کند. برای تحلیل توزیع نمونه‌ها، الگوریتم t-SNE جهت کاهش ابعاد و تجسم خوشه‌های سالم و بیمار به کار گرفته شد. این سیستم پیشنهادی با استفاده از تکنیک‌های پیشرفته هوش مصنوعی، ابزاری سریع و دقیق برای کمک به پزشکان در تشخیص بیماری‌های قلبی فراهم می‌آورد.