ارائه کننده: فاطمه صالحی
استاد راهنما: دكتر توكتم خطيبي
استاد مشاور: دكتر محمد ايتي فيروزآبادي
استاد داور داخلي: دكتر بابك تيمورپور
استاد داور خارج از دانشگاه: دكتر ساناز زرگر
نماينده تحصيلات تكميلي: دكتر بابك تيمورپور
تاریخ: 1403/11/24      
ساعت: 08:00
مكان: اتاق 215 دانشكده فني و مهندسي

چکیده:
آسیب‌های رباط صلیبی خلفی (PCL) و ضایعات غضروفی زانو از جمله شایع‌ترین و مهم‌ترین مشکلات ارتوپدی هستند که می‌توانند تأثیرات عمیقی بر کیفیت زندگی بیماران داشته باشند. این آسیب‌ها، به‌ویژه به دلیل پیچیدگی و نبود علائم بالینی واضح، اغلب چالش‌هایی جدی در فرآیند تشخیص و درمان به وجود می‌آورند. در این میان، تصویربرداری رزونانس مغناطیسی (MRI) به‌عنوان یکی از پیشرفته‌ترین روش‌های غیرتهاجمی در تحلیل ساختارهای داخلی زانو، به طور گسترده مورد استفاده قرار می‌گیرد. با وجود این، تحلیل و تفسیر تصاویر MRI به دلیل نیاز به تجربه و مهارت بالای پزشکان و احتمال بروز خطاهای انسانی، همچنان بهبودپذیر است. این پژوهش با هدف طراحی و توسعه یک چارچوب هوشمند مبتنی بر تکنیک‌های پیشرفته یادگیری عمیق برای تشخیص دقیق و خودکار آسیب‌های رباط صلیبی خلفی و ضایعات غضروفی زانو انجام شد. در این راستا، تصاویر MRI مربوط به بیماران واقعی از سه نمای اصلی زانو ( Sagittal، Coronal و Axial جمع‌آوری و پس از مراحل پیش‌پردازش دقیق، به‌منظور آموزش مدل‌های یادگیری عمیق به‌کار گرفته شدند. چارچوب پیشنهادی از الگوریتم‌هایی مانند شبکه‌های عصبی پیچشی (CNN) و تکنیک انتقال یادگیری بهره می‌برد تا ویژگی‌های کلیدی تصاویر MRI استخراج و تشخیص آسیب‌ها با دقت بالا انجام شود. فرآیند طراحی و توسعه مدل‌ها شامل تنظیم پارامترها، ارزیابی عملکرد، و مقایسه با روش‌های تشخیصی سنتی بود. همچنین، برای تضمین صحت و قابلیت اعتماد مدل، از تکنیک‌های پیشرفته اعتبارسنجی و آزمون بر روی داده‌های مستقل استفاده شد. نتایج این پژوهش نشان داد که چارچوب توسعه‌یافته، دقت قابل توجهی در تشخیص آسیب‌های رباط صلیبی خلفی و ضایعات غضروفی زانو ارائه می‌دهد و قادر است به‌صورت خودکار و در زمانی کوتاه، اطلاعات جامعی را برای پزشکان فراهم آورد. این چارچوب نه‌تنها به کاهش خطاهای انسانی در تشخیص کمک می‌کند، بلکه از طریق تسریع فرآیند تشخیص و ارائه گزارش‌های دقیق، بهبود قابل توجهی در مدیریت بیماران و افزایش کیفیت خدمات پزشکی به همراه دارد. این پژوهش علاوه بر تأثیرات عملی در حوزه پزشکی و درمان، به توسعه دانش در زمینه تحلیل تصاویر پزشکی و کاربردهای یادگیری عمیق در مسائل مرتبط با سلامت نیز کمک شایانی کرده است. نتایج حاصل، زمینه‌ساز پژوهش‌های بیشتری در جهت توسعه ابزارهای هوشمند برای تشخیص و درمان آسیب‌های ارتوپدی است.