Scene 1 (0s)
عنوان مقاله: بهینه‌سازی شبکه‌های عصبی کانولوشنال مبتنی بر منطق فازی برای تشخیص دقیق بیماری‌های ریوی ارائه دهنده: فاطمه محمدی نویسندگان به همراه نام سازمان/دانشگاه: فاطمه محمدی 1*، یحیی کرد تمندانی2، مهران ریکی3 1-گروه علوم کامپیوتر، دانشگاه سیستان وبلوچستان ، زاهدان، ایران، [email protected] 2- گروه علوم کامپیوتر، دانشگاه سیستان وبلوچستان ، زاهدان، ایران، [email protected] 3- گروه مهندسی کامپیوتر ، دانشکده برق و کامپیوتر ، دانشگاه ملی مهارت (فنی و حرفه ای)، تهران ، ایران ، [email protected].
Scene 2 (19s)
ساختار ارائه (Agenda). 2. مقدمه و اهمیت موضوع بررسی پیشینه تحقیق روش پیشنهادی آزمایش‌ها و نتایج نتیجه‌گیری و کارهای آینده.
Scene 3 (29s)
مقدمه - اهمیت موضوع (Introduction – Problem). چالش‌های تشخیص بیماری‌های ریوی.
Scene 4 (47s)
بررسی پیشینه: مطالعات CNN و ترکیبی. 4. مطالعه روش دقت ضعف Setio et al. (۲۰۱۷) CNN پایه ۸۵% حساس به نویز Li et al. (۲۰۲۳) ResNet ۹۲% عدم مدیریت ابهام Al-Antari et al. (۲۰۲۴) CNN-فازی ۹۴% تمرکز روی CXR.
Scene 5 (1m 5s)
روش پیشنهادی: چارچوب ترکیبی Fuzzy-CNN. سه مرحله: پیش‌پردازش استخراج ویژگی CNN تصمیم‌گیری فازی..
Scene 6 (1m 16s)
پیش‌پردازش تصاویر. تغییر اندازه: ۲۵۶×۲۵۶ (bilinear) نرمال‌سازی: [۰,۱] حذف نویز: فیلتر گاوسی (σ =۱) افزایش داده: چرخش، زوم (۳ برابر حجم) محاسبه Noise_Level (فرمول ۲) جدول ۲: توزیع داده‌ها (Train :۷۰%، Val :۱۵%، Test :۱۵%)..
Scene 7 (1m 38s)
معماری CNN (CNN Architecture). 7. دیاگرام لایه‌ها.
Scene 8 (1m 48s)
معماری CNN (CNN Architecture). 8. لایه نوع ورودی خروجی پارامترها Conv1 Conv2D (۳۲ فیلتر, ۳×۳, padding=same) ۲۵۶×۲۵۶×۱ ۲۵۶×۲۵۶×۳۲ ۳۲۰ Pool1 MaxPool2D (۲×۲) ۲۵۶×۲۵۶×۳۲ ۱۲۸×۱۲۸×۳۲ ۰ Conv2 Conv2D (۶۴ فیلتر, ۳×۳, padding=same) ۱۲۸×۱۲۸×۳۲ ۱۲۸×۱۲۸×۶۴ ۱۸,۴۹۶ Pool2 MaxPool2D (۲×۲) ۱۲۸×۱۲۸×۶۴ ۶۴×۶۴×۶۴ ۰ Conv3 Conv2D (۱۲۸ فیلتر, ۳×۳, padding=same) ۶۴×۶۴×۶۴ ۶۴×۶۴×۱۲۸ ۷۳,۸۵۶ Pool3 MaxPool2D (۲×۲) ۶۴×۶۴×۱۲۸ ۳۲×۳۲×۱۲۸ ۰ Flatten Flatten ۳۲×۳۲×۱۲۸ ۱۳۱,۰۷۲ ۰ FC1 Dense (۱۲۸, ReLU) ۱۳۱,۰۷۲ ۱۲۸ ۱۶,۷۷۷,۳۴۴ Dropout Dropout (۰.۵) ۱۲۸ ۱۲۸ ۰ FC2 Dense (۴, softmax) ۱۲۸ ۴ ۵۱۶ جمع - - - ۱۶,۸۷۰,۵۳۲.
Scene 9 (2m 17s)
ماژول فازی (مدل Mamdani). ورودی: P (احتمالات) + Noise ؛ خروجی : Adjusted_P توابع عضویت: جدول ۴ (کم/متوسط/بالا برای نویز)..
Scene 10 (2m 47s)
ماژول فازی (مدل Mamdani). قوانین فازی (۵ قانون نمونه، بر اساس دانش دامنه و بهینه‌سازی): اگر نویز کم باشد و p_cancer بالا، آنگاه مشکوک سرطان بسیار بالا اگر نویز متوسط باشد و p_COPD متوسط، آنگاه مشکوک COPD متوسط اگر نویز بالا باشد، آنگاه تمام مشکوک‌ها (برای همه کلاس‌ها) کم (برای کاهش اعتماد در نویز بالا). اگر p_healthy بالا و نویز کم، آنگاه مشکوک سالم بسیار بالا. اگر نویز بالا و p_pneumonia متوسط، آنگاه مشکوک پنومونی کم (به دلیل ابهام با ادم)..
Scene 11 (3m 14s)
دیتاست LIDC-IDRI و تنظیمات. ۱۰۱۸ اسکن CT، ۴ کلاس (سالم، سرطان، COPD، پنومونی) تقسیم: ۷۰-۱۵-۱۵، افزایش به ۲۱۰۰ تصویر سخت‌افزار: RTX ۳۰۶۰، زمان: ۴ ساعت (۵۰ epoch).
Scene 12 (3m 35s)
نتایج: عملکرد مدل. 12. متریک Baseline (CNN) Proposed (Fuzzy-CNN) بهبود (%) Accuracy ۸۹ ۹۴ +۵ Sensitivity ۸۷ ۹۳ +۶ Specificity ۹۰ ۹۵ +۵ Precision ۸۸ ۹۲ +۴ F1-Score ۰.۸۷ ۰.۹۳ +۶ AUC-ROC ۰.۹۱ ۰.۹۵ +۴.
Scene 13 (4m 3s)
مقایسه با روش‌های دیگر. 13. مطالعه سال روش دیتاست دقت (%) F1-score نرخ FP/FN کاهش Li et al. ۲۰۲۳ CNN CT ۹۲ ۰.۹۰ - Wang et al. ۲۰۲۴ ResNet-inspired CT (COPD) ۸۹ ۰.۸۷ - Al-Antari et al. ۲۰۲۴ CNN+فازی CXR ۹۴ ۰.۹۲ ۳% Ghassemi et al. ۲۰۲۲ فازی-عمیق CT (کووید) ۹۰ ۰.۸۸ ۵% پیشنهادی ما ۲۰۲۵ Fuzzy-CNN LIDC-IDRI ۹۴ ۰.۹۳ ۴%.
Scene 14 (4m 33s)
نتیجه‌گیری. دقت ۹۴% با کاهش خطا و افزایش تفسیرپذیری کاربرد: سیستم‌های خودکار PACS، غربالگری محدودیت: ۴ کلاس، وابستگی به annotations ..
Scene 15 (4m 44s)
کارهای آینده. ادغام attention mechanisms تست real-time روی edge devices ارزیابی چندمرکزی فازی adaptive با یادگیری آنلاین. پ.ن. پایان نامه کارشناسی ارشد من هم در ادامه همین تحقیقات و درحال انجام هست.
Scene 16 (4m 59s)
تشکر. سپاس از توجه شما. آماده پاسخ به سؤالات هستم..
Scene 17 (5m 22s)
با تشکر از حسن توجه شما پرسش و پاسخ ؟. 17.