نمونه کار سگمنتیشن خودکار سه‌بعدی تومور مغزی در تصاویر MRI چندمودالیتی با استفاده از معماری هیبرید Swin Transformer-CNN و هوش مصنوعی قابل تفسیر

این پروژه شامل طراحی و مستندسازی کامل یک سیستم هوش مصنوعی پزشکی در حوزه نوروانکولوژی است که از مرحله تعریف مسئله و بررسی ادبیات علمی، تا طراحی معماری یادگیری عمیق، ارزیابی کمی و تحلیل تفسیرپذیری را به صورت یکپارچه پوشش می‌دهد. خروجی نهایی شامل چکیده علمی استاندارد برای ارائه به مجلات ISI به دو زبان فارسی و انگلیسی است. فناوری و معماری به‌کاررفته: معماری پیشنهادی ترکیبی از Swin Transformer به عنوان کدگذار و شبکه CNN سه‌بعدی به عنوان رمزگشا است که با یک ماژول ادغام چندمودالیتی تکمیل می‌شود. این ماژول چهار سکانس MRI شامل T1، T1ce، T2 و FLAIR را در سطح نقشه‌های ویژگی از طریق مکانیزم Cross-Attention یکپارچه می‌سازد تا کانتراست‌های بافتی مکمل به طور کامل بهره‌برداری شود. برای افزایش اعتماد بالینی، یک ماژول هوش مصنوعی قابل تفسیر (XAI) شامل 3D GradCAM++، نقشه‌های توجه Swin Transformer و تحلیل SHAP نیز در چارچوب یکپارچه‌سازی شده است. معیار Dice WT Dice TC Dice ET نتیجه پیشنهادی: 94.2% 88.1% 85.4% بهترین روش قبلی: 92.0% 85.0% 82.0%   نتایج : ارزیابی روی مجموعه داده معیار BraTS 2023 بهبود معنادار آماری نسبت به روش‌های پیشرفته موجود نظیر nnU-Net، SwinUNETR و TransUNet را اثبات می‌کند. چارچوب پیشنهادی با دستیابی به Dice Score بالای ۹۴٪ برای Whole Tumor و فاصله هاسدورف ۸/۴ میلی‌متر، همزمان دقت بالا و قابلیت تفسیر بالینی را تضمین می‌کند. ویژگی‌ای که در اکثر روش‌های موجود لحاظ نشده است