اولتراسوند در پزشکی / سونوگرافی / اکوگرافی / پژواکنگاری / صوتنگاری
مهسا عرب؛ علی فلاح؛ سعید رشیدی؛ مریم مهدی زاده دستجردی؛ نسرین احمدی نژاد
دوره 17، شماره 2 ، شهریور 1402، ، صفحه 140-150
چکیده
سرطان پستان رایجترین نوع سرطان در زنان است. بیش از 80% ناهنجاریهای پستان در مراحل اولیه خوشخیم هستند. بنابراین تشخیص زودهنگام مهمترین چالش برای درمان به موقع است. یکی از روشهای غیرتهاجمی و زمان واقعی برای غربالگری سرطان پستان، استفاده از سیگنالهای فرکانس رادیویی اولتراسوند (US RF) است. این روش، علاوه بر تمایز بافتی و مقرون ...
بیشتر
سرطان پستان رایجترین نوع سرطان در زنان است. بیش از 80% ناهنجاریهای پستان در مراحل اولیه خوشخیم هستند. بنابراین تشخیص زودهنگام مهمترین چالش برای درمان به موقع است. یکی از روشهای غیرتهاجمی و زمان واقعی برای غربالگری سرطان پستان، استفاده از سیگنالهای فرکانس رادیویی اولتراسوند (US RF) است. این روش، علاوه بر تمایز بافتی و مقرون به صرفهبودن، در مقایسه با روشهای دیگر، نیازی به تجهیزات تکمیلی ندارد. این پژوهش با هدف ارایهی رویکردی هوشمند برای طبقهبندی ضایعات خوشخیم، مشکوک و بدخیم پستان براساس ویژگیهای موثر استخراجشده از سری زمانی US RF صورتگرفتهاست. مجموعه دادهی US RF ثبتشده با عنوان USRFTS شامل 170 داده از ضایعات مذکور است که از 88 بیمار بهدستآمدهاست. روش پیشنهادی در این تحقیق شامل چهار بخش اصلی پیشپردازش، استخراج ویژگی، انتخاب ویژگی و طبقهبندی است. در مرحلهی پیشپردازش، پس از بازسازی تصاویر B-mode از سریهای زمانی US RF ثبتشده، ناحیهی دارای ضایعه (ROI) در هر تصویر B-mode توسط پرتوشناس به صورت دستی انتخاب شدهاست. در ادامه، ویژگیهای مختلف حوزههای زمان و فرکانس در مرحلهی استخراج ویژگی از هر ROI استخراج و پس از آن، ویژگیهای موثر با استفاده از روش کلونی مورچه انتخاب شدند. در نهایت، دادگان با استفاده از طبقهبندهای ماشین بردار پشتیبان (SVM)، K-نزدیکترین همسایه (KNN)، درخت تصمیم (DT)، تجزیهی تشخیص خطی (LDA) و همچنین روش طبقهبندی با مرجع (RCM) مورد ارزیابی قرار گرفتند. با توجه به نتایج، بیشینهی صحت طبقهبندی دو کلاسه و سه کلاسه به ترتیب 95/94% و 33/93% ارزیابی شدند.
پردازش تصاویر پزشکی
مریم عاشوری؛ رضا آقایی زاده ظروفی؛ محمد صادقی
دوره 17، شماره 2 ، شهریور 1402، ، صفحه 130-140
چکیده
در حال حاضر رشد سریع صنعت زیبایی در کنار توسعه مدلهای هوشمند مبتنی بر الگوریتم-های یادگیری ماشین، منجر به افزایش تحقیقات گسترده در این حوزه شده است. جراحی زیبایی بینی یکی از رایجترین و چالش برانگیزترین جراحیهای زیبایی چهره است زیرا بینی برجسته-ترین عنصر چهره بوده که تاثیر زیادی بر جذابیت آن دارد. هدف این مقاله ارائه چارچوبی مبتنی ...
بیشتر
در حال حاضر رشد سریع صنعت زیبایی در کنار توسعه مدلهای هوشمند مبتنی بر الگوریتم-های یادگیری ماشین، منجر به افزایش تحقیقات گسترده در این حوزه شده است. جراحی زیبایی بینی یکی از رایجترین و چالش برانگیزترین جراحیهای زیبایی چهره است زیرا بینی برجسته-ترین عنصر چهره بوده که تاثیر زیادی بر جذابیت آن دارد. هدف این مقاله ارائه چارچوبی مبتنی بر یادگیری ماشین برای پیش بینی نمره زیبایی بینی است. در این مقاله تعدادی از پارامترهای هندسی بینی در ارتباط با کل چهره، بهعنوان ورودی و نظر انسان بهعنوان خروجی به الگوریتم-های رگرسیونی متداول یادگیری ماشین داده شده است. سپس یک مطالعه فرسایشی جهت بررسی تاثیر شکل چهره، رنگ و بافت پوست بر زیبایی بینی انجام شده است. طبقهبند پرسپترون چند لایه، خوشه بندی k-means و ماتریس هم رخدادی سطح خاکستری برای استخراج شکل چهره، رنگ پوست و بافت آن استفاده گردیده است. نتایج نشان میدهد که مدل مبتنی بر پارامترهای هندسی، همبستگی متوسطی با نظر انسان دارد و با افزودن هر زیر مجموعهای از مجموعه ویژگیهای شکل چهره، رنگ و بافت پوست همبستگی مدل حاصل شده، تا رسیدن به درجه بالای همبستگی افزایش مییابد. همچنین نتایج بیانگر آن است که الگوریتم جنگل تصادفی در بین سایر الگوریتمها بهترین عملکرد را بر اساس معیارهای ارزیابی میانگین مطلق خطا، ریشه میانگین مربعات خطا و همبستگی پیرسون دارد. نتایج مطالعه نشان میدهد که چارچوب ارائه شده میتواند به تعیین میزان زیبایی بینی در چهره افراد کمک نماید.
پردازش سیگنالهای حیاتی
داود سعادتی؛ ستار میرزاکوچکی
دوره 16، شماره 4 ، اسفند 1401، ، صفحه 61-70
چکیده
بررسی صدای اندامهای بدن یکی از روشهای تشخیص بیماریهای مختلف است که توسط پزشکان برای تحلیل صداهای عارضهای بکار گرفته میشود، از آنجایی که بیشتر مرگ و میر ناشی از بیماری، در کشورهای فقیری رخ میدهد که کمبود تجهیزات و متخصص دارند، ایجاد روشهای تشخیصی مبتنی بر یادگیری ماشین و پردازش صوت که علاوه بر دردسترس بودن ، غیرتهاجمی و ارزان ...
بیشتر
بررسی صدای اندامهای بدن یکی از روشهای تشخیص بیماریهای مختلف است که توسط پزشکان برای تحلیل صداهای عارضهای بکار گرفته میشود، از آنجایی که بیشتر مرگ و میر ناشی از بیماری، در کشورهای فقیری رخ میدهد که کمبود تجهیزات و متخصص دارند، ایجاد روشهای تشخیصی مبتنی بر یادگیری ماشین و پردازش صوت که علاوه بر دردسترس بودن ، غیرتهاجمی و ارزان نیز میباشند با تشخیص زودهنگام میتوانند باعث نجات میلیونها انسان شوند. در مطالعات پیشین غالبا ورودیهای بازتابکنندهی ویژگیهای فرکانسی صوت مورد استفاده قرار گرفته است، دراین مقاله علاوه بر آن از یک نمایش بازگشتی استفاده میکنیم که ویژگیهای زمانی صوت را بازتاب میکند و به عنوان ورودی به شبکههای کانولوشنی داده میشود تا از مزیتهای یادگیری انتقالی آن بهرهمند شویم، با اضافه کردن مکانیزم توجه زمانی و شبکه گیتهای بازگشتی دوطرفه، توالی دادههای صوتی که یک سری زمانی است مورد بررسی قرار میگیرد و هر یک از دادهها با توجه به ارزشی که دارند وزندهی میشوند. دادههای استفاده شده در این مقاله از پایگاه داده صدای ریه ICBHI است که در مقالههای بسیاری استفاده شده است. روش ارائه شده توانست در طبقه بندی صدای ریه به سه دستهی سالم، بیماری انسداد مزمن ریوی(COPD) و سایر بیماری ها به دقت 97 درصد برسد که نتیجه بهتری نسبت به سایر روش های بکار رفته برای این پایگاه داده میباشد.
سیدابوالفضل طباطبایی؛ ولی درهمی؛ راضیه شیخپور؛ محمدرضا پژوهان
دوره 13، شماره 4 ، دی 1398، ، صفحه 337-348
چکیده
انتخاب ویژگی یکی از فرایندهای پیشپردازش دادهها در مباحث مربوط به یادگیری ماشین و دادهکاوی به شمار میرود که در برخی زمینهها مانند کار با دادههای ریزآرایه در بیوانفورماتیک که با مشکل ابعاد بالای دادهها در مقابل تعداد کم نمونهها مواجه است، از اهمیت ویژهای برخوردار میباشد. انتخاب ویژگیهای (ژنهای) موثر در تشخیص بیماری ...
بیشتر
انتخاب ویژگی یکی از فرایندهای پیشپردازش دادهها در مباحث مربوط به یادگیری ماشین و دادهکاوی به شمار میرود که در برخی زمینهها مانند کار با دادههای ریزآرایه در بیوانفورماتیک که با مشکل ابعاد بالای دادهها در مقابل تعداد کم نمونهها مواجه است، از اهمیت ویژهای برخوردار میباشد. انتخاب ویژگیهای (ژنهای) موثر در تشخیص بیماری از دادههای ریزآرایه نقش مهمی در تشخیص زودهنگام بیماری و راههای مواجهه با آن ایفا میکند. در روشهای انتخاب ویژگی مبتنی بر تئوری اطلاعات که طیف گستردهای از روشهای انتخاب ویژگی را شامل میشوند، از مفهوم بینظمی برای تعریف معیارهای مرتبط بودن، افزونگی و مکمل بودن ویژگیها استفاده میشود. در این مقاله به جای بینظمی از مفهوم پیوستگی خالص برای پیشنهاد یک معیار جدید مرتبط بودن استفاده شده است. در این معیار پیشنهادی، برای کنترل و کاهش افزونگی، ارتباط یک ویژگی با تکتک کلاسها به طور جداگانه بررسی شده است در حالی که در اکثر روشهای فیلتر، ارزش یک ویژگی بر اساس ارتباط آن با کل کلاسها سنجیده میشود. این راهکار باعث شده که ویژگیهای موثر در هر کلاس به تفکیک شناسایی شوند، در حالی که امکان شناسایی ویژگیهای مشترک نیز وجود دارد. یکی دیگر از مشکلهای موجود در برخی از روشها، مسالهی گسستهسازی دادهها است. در روش پیشنهادی این مقاله، با استفاده از یک تبدیل مبتنی بر یکریختی، ضمن استفاده از مزایای گسستهسازی، از درگیر شدن با پیچیدگیهای آن نیز اجتناب شده است. برای مقایسهی روش پیشنهادی با تعدادی از روشهای مرتبط، از هفت مجموعهی دادهی ریزآرایه مربوط به انواع سرطان به همراه سه دستهبند پرکاربرد بیزین ساده، k-نزدیکترین همسایه و ماشین بردار پشتیبان استفاده شده است. نتایج تجربی نشان دهندهی کارایی روش ارائه شده بر اساس دو پارامتر دقت دستهبندی و تعداد ژنهای انتخابی میباشد.
سعید قدسی؛ هدی محمدزاده؛ حمید آقاجان
دوره 13، شماره 3 ، مهر 1398، ، صفحه 189-207
چکیده
قرار گرفتن در وضعیتهای مختلف ادراکی، شناختی و احساسی با نوعی انتشار اطلاعات از طریق نوسانات نورونهای مغزی همراه است. بررسی این نوسانات و به طور مشخص ارتباطات و تعاملات میان بخشهای مختلف مغز، میتواند اطلاعات مفیدی دربارهی نحوهی واکنش مغز در وضعیتهای مختلف حاصل نماید. ارتباطات بین نواحی مختلف مغز به ...
بیشتر
قرار گرفتن در وضعیتهای مختلف ادراکی، شناختی و احساسی با نوعی انتشار اطلاعات از طریق نوسانات نورونهای مغزی همراه است. بررسی این نوسانات و به طور مشخص ارتباطات و تعاملات میان بخشهای مختلف مغز، میتواند اطلاعات مفیدی دربارهی نحوهی واکنش مغز در وضعیتهای مختلف حاصل نماید. ارتباطات بین نواحی مختلف مغز به سه دستهی ساختاری، موثر و کارکردی تقسیمبندی میشوند. دستهی اول به ارتباط بین نورونهای نواحی مجاور میپردازد، در حالی که دستهی دوم و سوم بر همسانی زمانی بین نوسانات بخشهای نه لزوما مجاور تمرکز دارند. اگر چه سیگنالهای EEG به دلیل دقت مکانی نسبتا پایین، مناسبترین معیار برای سنجش ارتباطات کارکردی و موثر بین بخشهای مختلف مغز نیستند، اما بررسی آماری این سیگنالها میتواند در تشخیص همزمانی بین نوسانات نواحی مختلف مغز کمک قابل توجهی نماید. در این مقاله، چارچوبی نوین برای پیشبینی وقوع تشنج با استفاده از سیگنالهای EEG ارائه شده که از معیار علیت گرنجر در حوزهی فرکانس برای اندازهگیری میزان همزمانی نوسانات سیگنالهای EEG در زمانهای Inter-ictal و Pre-ictal استفاده میکند. در ادامه، با به کارگیری یک طبقهبند Logistic Regression با عبارت تنظیمکنندهی درجهی اول به تفکیک نمونههای استخراج شده از این دو بازهی زمانی از یکدیگر پرداخته شده است. در گام آخر، با در نظر گرفتن بازههای زمانی متوالی، در صورتی که به تعداد مشخصی بازهی مربوط به Pre-ictal شناخته شود، وقوع تشنج اعلام میگردد. شبیهسازیهای انجام شده روی مجموعهی دادهی CHB-MIT به ازای افق پیشبینی 10 دقیقه به نرخ حساسیت 03/95% و نرخ پیشبینی نادرست 14/0 بر ساعت منتج شده است که نشان دهندهی عملکرد قابل قبول روش پیشنهادی در مقایسه با بهترین نتایج گزارش شده در سایر مقالات میباشد.