پردازش تصاویر پزشکی
درسا جعفرخواه صیقلانی؛ مهران یزدی؛ محمد فقیهی
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 16 مهر 1399
چکیده
سرطان یکی از شایع‌ترین بیماری‌های امروزه محسوب می‌شود. سرطان مغز یکی از مهلک و مرگ‌آورترین انواع سرطان به شمار می‌آید که تشخیص درست و به‌موقع آن تأثیر اساسی در زندگی بیمار خواهد داشت. برای تشخیص این بیماری، پزشک به تصویرهای ام‌آرآی و سی‌تی‌اسکن مغز احتیاج دارد. تاکنون روش‌های مختلفی برای تشخیص تومور مغزی از تصاویر پزشکی ارائه‌شده ...
بیشتر
سرطان یکی از شایع‌ترین بیماری‌های امروزه محسوب می‌شود. سرطان مغز یکی از مهلک و مرگ‌آورترین انواع سرطان به شمار می‌آید که تشخیص درست و به‌موقع آن تأثیر اساسی در زندگی بیمار خواهد داشت. برای تشخیص این بیماری، پزشک به تصویرهای ام‌آرآی و سی‌تی‌اسکن مغز احتیاج دارد. تاکنون روش‌های مختلفی برای تشخیص تومور مغزی از تصاویر پزشکی ارائه‌شده است اما به خاطر شباهت زیاد بافت تومور به بافتهای دیگر مغز دقت مناسبی به دست نیامده است. در این مقاله روشی با استفاده از تلفیق تصاویر ام آر آی و سی تی اسکن برای تشخیص سه نوع شایع از تومورهای مغزی (گلیوما، منژیوما و تومور هیپوفیز) پیشنهاد شده است. در روش پیشنهادی از ساختاری بر اساس یادگیری عمیق استفاده میگردد تا ویژگیهایی که امکان تمایز بین بافت مغز و تومور را فراهم می‌کند، استخراج گردد. نتایج بهدستآمده با استفاده از روش پیشنهادی برتری این روش را نسبت به روش‌های مرتبط نشان میدهد.
شبکه عصبی / شبکه عصبی بیولوژیکی و مصنوعی
صدف رضوی نژاد؛ امیرمحمد فلاح؛ سیدابوالقاسم میرروشندل
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 18 آبان 1399
چکیده
دیابت یک بیماری شایع در سراسر جهان است. این بیماری سخت و غیر‌قابل علاج ولی کنترل‌پذیر است، از این‌رو کنترل و پیشگیری از عوارض آن امری مهم است. به همین علت استفاده از روش‌هایی با خطای پایین و هوشمند برای پیش‌بینی میزان قند خون و از همه مهم‌تر جلوگیری از عوارض خطرناک آن، مساله‌ای مهم در کنترل بهتر این بیماری محسوب می‌شود. با توجه ...
بیشتر
دیابت یک بیماری شایع در سراسر جهان است. این بیماری سخت و غیر‌قابل علاج ولی کنترل‌پذیر است، از این‌رو کنترل و پیشگیری از عوارض آن امری مهم است. به همین علت استفاده از روش‌هایی با خطای پایین و هوشمند برای پیش‌بینی میزان قند خون و از همه مهم‌تر جلوگیری از عوارض خطرناک آن، مساله‌ای مهم در کنترل بهتر این بیماری محسوب می‌شود. با توجه به روش‌های مختلفی که در این زمینه ارائه شده است، در این مقاله نیز دو مدل با استفاده از رهیافت یادگیری عمیق ارائه شده است که نتایج کارآمد و بهینه‌ای تولید می‌کند. دو مدل پیشنهادی از ترکیب‌های متفاوتی از شبکه‌های عصبی حافظه طولانی کوتاه‌مدت و پیشخور تشکیل شده‌اند و میزان قند خون آتی بیمار را با دقت و سرعت قابل‌توجهی پیش‌بینی می‌کنند. از 81.200 رکورد داده میزان قند خون 203 بیمار به همراه 27 مشخصه‌ی مهمی که بر میزان قند خون آن‌ها مؤثر بوده استفاده شده است. همچنین به‌منظور ارزیابی دقیق، از روش اعتبارسنجی متقابل مناسب برای سری‌زمانی استفاده شد و نتایج حاصل از اجرای مدل‌ها نشان داد که مدل میانگین متحرک خودهمبسته یکپارچه با توجه به این حجم از داده و ضعف سخت‌افزاری سیستم پیاده‌سازی، قادر به پیش‌بینی میزان قند خون نیست و مدل‌های مبتنی بر یادگیری عمیق کارایی قابل قبول و سرعت عملکرد خوبی دارند. همچنین با توجه به نتایج به‌دست آمده مدل پیشنهادی دوم برای افق‌های پیش‌بینی 5، 10 و 15 دقیقه به‌ترتیب 8/13درصد، 16درصد و 9/18درصد بهتر از مدل پیشنهادی اول عمل کرده است و می‌تواند مدل قابل اعتمادتری برای پیش‌بینی میزان قند خون باشد. از این‌رو مدل بیان‌شده می‌تواند در سیستم‌های هوشمند هشداردهنده برای پیشگیری از وقوع هیپوگلیسمی که از عوارض خطرناک و شایع بیماری دیابت نوع یک است، استفاده شود.
پردازش سیگنال‌های حیاتی
راحله داودی؛ محمدحسن مرادی
دوره 12، شماره 1 ، بهار 1397، ، صفحه 25-39
چکیده
افسردگی یکی از شایع‌ترین اختلالات روانی عصر حاضر است که تشخیص زودهنگام شدت آن می‌تواند در روند درمان مفید باشد. یکی از روش‌های تشخیص این بیماری، تحلیل اطلاعات حاصل از سیگنال‌های الکتریکی مغزی می‌باشد. در این مقاله، به دنبال تمایز میان سطوح افسردگی با استفاده از تحلیل سیگنال مغزی هستیم. مدل پیشنهادی، سیستم عمیق مبتنی بر قاعده با ...
بیشتر
افسردگی یکی از شایع‌ترین اختلالات روانی عصر حاضر است که تشخیص زودهنگام شدت آن می‌تواند در روند درمان مفید باشد. یکی از روش‌های تشخیص این بیماری، تحلیل اطلاعات حاصل از سیگنال‌های الکتریکی مغزی می‌باشد. در این مقاله، به دنبال تمایز میان سطوح افسردگی با استفاده از تحلیل سیگنال مغزی هستیم. مدل پیشنهادی، سیستم عمیق مبتنی بر قاعده با استفاده از قابلیت پشته است و تمرکز روی تفسیرپذیری قواعد در کنار دقت بالا می‌باشد. سیستم‌های فازی قابلیت مناسبی را در طبقه‌بندی دادگان پزشکی با عدم قطعیت نشان داده‌اند. افزون بر این، در سال‌های اخیر یادگیری عمیق، توجه ویژه‌ای را در حوزه‌ی هوش مصنوعی کسب کرده است. در این مقاله به دنبال بهره‌گیری از قابلیت‌های هر دو رویکرد، در قالب یک سیستم فازی عمیق هستیم. سیستم پیشنهادی از یک رویکرد خوشه‌بندی مقاوم بهره می‌برد که قادر است تعداد خوشه‌های بهینه برای هر لایه را به صورت بدون سرپرست تعیین نماید. در کنار آن، مدل پیشنهادی از یک ساختار سلسله‌مراتبی پشته‌ای بهره می‌برد، به این صورت که قواعد آموزش‌یافته‌ی تفسیرپذیر در لایه‌ی اول را با برچسب‌های زبانی یک‌سان برای تمام ورودی‌ها، به صورت خروجی لایه‌ی اول در کنار ورودی، به لایه‌ی بعد منتقل نماید. وجود خروجی قواعد لایه‌های قبل در فضای ورودی لایه‌های بعد معادل قابلیت اطمینان در سیستم فازی با تالی خطی یا یک سیستم فازی با تالی غیرخطی می‌باشد. دادگان مورد استفاده پس از پیش‌پردازش، استخراج ویژگی‌های زمانی، فرکانسی و غیرخطی نظیر بعد نگاشت بازگشتی و کاهش بعد، به سیستم پیشنهادی ارائه شد. سیستم پیشنهادی با طبقه‌بندهای متداول نظیر شبکه‌ی عصبی، ماشین بردار پشتیبان، بیز ساده، درخت تصمیم و آنالیز افتراقی خطی مقایسه شد. نتایج صحت دادگان تست به دست آمده در 30 تکرار (۴۹.۰۱% در مقابل به ترتیب 32/41 %، 47/40%، 01/40%، 38/38% و 28/40%)، بیان‌گر قابلیت قابل توجه این مدل در تفکیک چهار سطح افسردگی می‌باشد.
