پردازش تصاویر پزشکی
درسا جعفرخواه صیقلانی؛ مهران یزدی؛ محمد فقیهی
دوره 14، شماره 4 ، بهمن 1399، ، صفحه 267-276
چکیده
امروزه سرطان یکی از شایعترین بیماریها بوده و سرطان مغز یکی از مهلکترین و مرگآورترین انواع سرطان است که تشخیص درست و به موقع آن تاثیر مهمی در زندگی بیمار دارد. پزشکان برای تشخیص این بیماری به تصویرهای امآرآی و سیتیاسکن مغز نیاز دارند. تا کنون روشهای مختلفی برای تشخیص تومور مغزی با استفاده از تصاویر پزشکی ارائه شده است اما ...
بیشتر
امروزه سرطان یکی از شایعترین بیماریها بوده و سرطان مغز یکی از مهلکترین و مرگآورترین انواع سرطان است که تشخیص درست و به موقع آن تاثیر مهمی در زندگی بیمار دارد. پزشکان برای تشخیص این بیماری به تصویرهای امآرآی و سیتیاسکن مغز نیاز دارند. تا کنون روشهای مختلفی برای تشخیص تومور مغزی با استفاده از تصاویر پزشکی ارائه شده است اما این روشها به دلیل شباهت زیاد بافت تومور و سایر بافتهای مغز از دقت مناسبی برخوردار نیستند. در این مقاله روشی با استفاده از تلفیق تصاویر امآرآی و سیتیاسکن برای تشخیص سه نوع شایع از تومورهای مغزی (گلیوما، منژیوما و تومور هیپوفیز) پیشنهاد شده است. در این روش از ساختاری بر مبنای یادگیری عمیق استفاده شده تا ویژگیهای متمایزکنندهی بافت مغز و تومور استخراج شود. تصویر تلفیقی به دست آمده دقت تشخیص نوع تومور را افزایش داده و نتایج به دست آمده با استفاده از روش پیشنهادی برتری این روش را نسبت به سایر روشها نشان میدهد.
سیده سمیه نقیبی؛ علی فلاح؛ علی مالکی؛ فرناز قاسمی
دوره 13، شماره 3 ، مهر 1398، ، صفحه 247-257
چکیده
پیشبینی درست مسیر مطلوب حرکتی در سیستمهای کنترل و بازتوانی حرکت مانند تحریک الکتریکی عملکردی و رباتدرمانی بسیار ضروری میباشد. به نظر میرسد که حرکات دسترسانی انسان متشکل از مجموعهای از زیرحرکات است که هر زیرحرکت تصحیحی از مسیر کلی حرکت میباشد. با استفاده از زیرحرکات میتوان انجام حرکات پیچیده، یادگیری، تطبیقپذیری ...
بیشتر
پیشبینی درست مسیر مطلوب حرکتی در سیستمهای کنترل و بازتوانی حرکت مانند تحریک الکتریکی عملکردی و رباتدرمانی بسیار ضروری میباشد. به نظر میرسد که حرکات دسترسانی انسان متشکل از مجموعهای از زیرحرکات است که هر زیرحرکت تصحیحی از مسیر کلی حرکت میباشد. با استفاده از زیرحرکات میتوان انجام حرکات پیچیده، یادگیری، تطبیقپذیری و دیگر ویژگیهای سیستم کنترل حرکت را تفسیر نمود. هدف این پژوهش پیشبینی و تولید حرکات دسترسانی دوجزئی در صفحه با استفاده از مدلی شبیه به مکانیسم واقعی تولید حرکات انسان و بر مبنای زیرحرکت میباشد. دادگان مورد استفاده شامل تکرارهای مختلف چهار نوع حرکت دسترسانی در صفحه از سه سوژه است. پس از پیشپردازش و فازبندی حرکات، تجزیهی حرکات به زیرحرکتهای کمینهی جرک انجام شده است. در مرحلهی بعد، آموزش سه شبکهی عصبی مجزا برای یادگیری پارامترهای زیرحرکتها شامل دامنه، دوره و زمان شروع زیرحرکات انجام شده، شبکههای عصبی در ترکیب یک مدل حلقهی بسته قرار گرفته و پیشبینی حرکات بر اساس مدل تصحیح خطا با استفاده از زیرحرکات توسط این مدل صورت گرفته است. نرخ دسترسی به هدف برای تمام حرکات پیشبینی شده توسط مدل زیرحرکت برابر با 100% به دست آمده است. همچنین مقادیر میانگین فاصله از هدف، درصد VAF و میانگین خطای MSE بین مسیرهای حرکتی اصلی و پیشبینی شده نشان میدهد که حرکات پیشبینی شده با تقریب بسیار خوبی نسبت به حرکات اصلی تشکیل شدهاند. نتایج نشان میدهد که وقتی شبکههای عصبی آموزش داده شده با زیرحرکات در یک مدل حلقهی بسته قرار گیرند به دلیل جبرانسازی خطاهای منتشر شده از مراحل قبل، به خوبی میتوانند زیرحرکات مناسبی را برای دسترسی کامل به اهداف حرکتی پیشبینی کنند. از نتایج این مطالعه میتوان برای بهبود روشهای بازتوانی حرکتی استفاده نمود.
بیوالکتریک
سبحان شیخیوند؛ توحید یوسفی رضایی؛ زهره موسوی؛ سعید مشگینی
دوره 11، شماره 4 ، بهمن 1396، ، صفحه 313-325
چکیده
در سالهای اخیر، استفاده از روشی هوشمند برای تشخیص خودکار مراحل خواب در کاربردهای پزشکی، برای کاهش حجم کار پزشکان در تجزیه و تحلیل دادههای خواب از طریق بازرسی بصری، یکی از چالشهای مهم به حساب میآید. در این مقاله، الگوریتمی مبتنی بر EEG تککاناله برای شناسایی خودکار مراحل خواب، با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم ...
بیشتر
در سالهای اخیر، استفاده از روشی هوشمند برای تشخیص خودکار مراحل خواب در کاربردهای پزشکی، برای کاهش حجم کار پزشکان در تجزیه و تحلیل دادههای خواب از طریق بازرسی بصری، یکی از چالشهای مهم به حساب میآید. در این مقاله، الگوریتمی مبتنی بر EEG تککاناله برای شناسایی خودکار مراحل خواب، با استفاده از تبدیل موجک گسسته و مدل ترکیبی الگوریتم تبرید و شبکهی عصبی ارائه میشود. سیگنال با استفاده از تبدیل موجک گسسته به 7 سطح تجزیه شده و ویژگیهای آماری از هر یک از سطوح تجزیه شده، استخراج میگردد. جهت بهینهسازی و کاهش ابعاد بردارهای ویژگی، از یک مدل ترکیبی الگوریتم تبرید و شبکهی عصبی چندلایهی پس انتشار خطا استفاده شده، و سپس از آزمون ANOVA برای تائید صحت ویژگیهای بهینه استفاده میشود. طبقهبندی نهایی روی این ویژگیهای بهینهشده توسط یک شبکهی عصبی پرسپترون با یکلایهی پنهان انجام میشود، که به طور میانگین برای طبقهبندی 2-کلاس تا 6-کلاس مراحل مختلف خواب دقت بالای 90% را فراهم کرده و نشان میدهد که روش پیشنهادی درصد موفقیت بالاتری در طبقهبندی مراحل خواب نسبت به پژوهشهای پیشین دارد.