دانشگاه رازی

خون‌گیری وریدی رایج‌ترین رویه تهاجمی پزشکی است، با این حال موفقیت آن همچنان وابسته به اپراتور و بیمار باقی مانده است، و همین امر انگیزه‌بخش نمونه‌گیری خون روباتیک هدایت‌شده با بینایی است. این پایان‌نامه یک خط پردازش بینایی تفسیرپذیر، آگاه از ایمنی و هدایت‌شده با تصویر را برای خون‌گیری وریدی روباتیک خودکار روی تصاویر فروسرخ نزدیک‎ (NIR) ‎ساعد ارائه می‌کند. این خط پردازش، یک قطعه‌بند ورید یادگرفته‌شده‎ U-Net (‎موتور اصلی) را با یک خط مبنای کلاسیک رگ‌نمایی چنداندازه‌ای‎ Frangi ‎در قالب یک رابط واحد و مستقل از موتور همراه می‌سازد، سپس یک لایه ایمنی هندسی و حرکتی قابل‌استفاده مجدد می‌افزاید: عرض رگ و فاصله ایمن از انشعاب را از تبدیل فاصله و اسکلت برآورد می‌کند، همگنی پوست را کمّی‌سازی می‌کند، پایداری حرکت فریم‌به‌فریم را امتیازدهی می‌کند، و این‌ها را به‌همراه یک شاخص جایگزین نسبت سیگنال به نویز در قالب یک مقدار اطمینان تجمیع می‌کند که پیش از به‌کارگیری سوزن، یک تصمیم توضیح‌پذیر‎ Go/No-Go ‎را هدایت می‌کند. در ارزیابی روی مجموعه‌داده عمومی‎ CUBITAL ‎با یک تقسیم مجزا به‌ازای افراد، موتور‎ U-Net ‎به‎ Dice ‎ورید دودویی برابر‎ 0.613 ‎و‎ ROC-AUC ‎برابر‎ 0.998 ‎می‌رسد و از هر خط مبنای کلاسیک تقریباً پنج برابر بهتر عمل می‌کند، در حالی که کل خط پردازش با‎ 76.5 ms ‎به‌ازای هر فریم تنها روی‎ CPU ‎اجرا می‌شود — در محدوده بودجه بی‌درنگ. دروازه حرکت، فریم‌های پایدار را می‌پذیرد و حرکت در مقیاس اندام را با نرخ به‌کارگیری اشتباه صفر مسدود می‌کند. مشارکت متمایز این کار، لایه ایمنی تفسیرپذیر است که هر ماسک قطعه‌بندی را به یک تصمیم فروبردن قابل‌حسابرسی تبدیل می‌کند (عرض رگ، نزدیکی به انشعاب، یکنواختی پوست، حرکت و کیفیت تصویر)، به‌طوری‌که هر نتیجه از روی کد قابل بازتولید است. این پایان‌نامه همچنین هدف قطعه‌بندی را صادقانه بازتعریف می‌کند و به‌جای یک رقم دقت متورم‌شده واحد، هم‌پوشانی دودویی و هم‌پوشانی آگاه از پیوستگی را هر دو گزارش می‌دهد.