ارائه ­دهنده:
زهراسادات سجادی

  استاد راهنما:
دکتر محسن سریانی

  هیات داوران:

دکتر محمدرضا محمدی
 دکتر کاظم فولادی

زمان : ۱۵ مهر ماه ۱۴۰۲

  ساعت ۱۵:۰۰

چکیده پایان نامه :

با افزایش طول عمر انسان، نیاز فزاینده‌ای به روش‌های قابل اعتماد برای ارزیابی سلامت مغز و تغییرات مرتبط با سن در مغز وجود دارد. پیش‌بینی سن بیولوژیکی مغز یک نشانگر امیدوارکننده است که می‌تواند به عنوان شاخص سلامت کلی مغز و پیری موفق و همچنین نشانگر بیماری‌ها باشد.
استفاده از ابزارهای مبتنی بر یادگیری ماشین و یادگیری عمیق این مسیر را هموار کرده‌اند اما همچنان به دلیل چالش‌های موجود در این مسئله، استراتژی‌های آموزشی کارآمد برای دستیابی به عملکرد بالا در پیش‌بینی سن مغز بسیار مهم است.
در این مطالعه، یک مدل خود نظارتی چند وظیفه‌ای برای یادگیری سن مغز از تصاویر MRI به صورت دو بعدی پیشنهاد شد. برای آموزش این شبکه از روش یادگیری چند وظیفه‌ای استفاده کردیم. یعنی در کنار وظیفه‌ی اصلی که پیش‌بینی سن مغز بود، به پیش‌بینی کلاس زاویه‌ی تصویر ورودی هم پرداختیم. سپس، به منظور بررسی تأثیر روش چند وظیفه‌ای در پیش‌بینی سن مغز، عملکرد مدل‌های چند وظیفه‌ای را با مدل‌های تک وظیفه‌ای مقایسه کردیم. این نتیجه حاصل شد که شبکه‌های چند وظیفه‌ای عملکرد بهتری نسبت به نوع تک وظیفه‌ای خود داشتند. چرا که این مدل‌ها به دلیل حل همزمان چندین مسئله، ویژگی‌های بهتر و با عمومیت بالاتری را نسبت به مدل‌های تک وظیفه‌ای یاد می‌گیرند. همچنین این نتایج حاکی از آن بود که مسئله‌ی خود نظارتی پیش‌بینی زاویه گرچه ساده به نظر می‌آید اما یک وظیفه خود نظارتی مؤثر برای استفاده در مسئله‌ی تخمین سن مغز بود.
در ادامه تأثیر یک نوع پیش‌آموزش خود نظارتی و یک نوع پیش‌آموزش تحت نظارت و همچنین تأثیر وزن‌های ImageNet را روی مدل پیشنهادی خود در مسئله‌ی پیش‌بینی سن مغز بررسی کردیم. در آزمایش‌های ما، هر سه وزن ‌‌‌پیش‌آموزش سودمند بودند. در انتها، شبکه‌ی پیشنهادی ما که مبتنی بر ستون فقرات VGG-۱۶ با سر چند وظیفه‌ای به همراه ‌‌‌پیش‌آموزش ImageNet بود، عملکردی همتراز با مدل‌های جدید و با میانگین خطای مطلق (MAE) ۳.۱۴ سال را نشان داد. 

واژه‌های کلیدی: سن بیولوژیکی مغز، مدل چند وظیفه‌ای، یادگیری خود نظارتی، پیش‌آموزش، یادگیری عمیق



مکان: دانشکده مهندسی کامپیوتر، طبقه ۲  ،اتاق دفاعیه دکتری