پردازش تصاویر پزشکی
کامبیز رهبر؛ فاطمه طاهری
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 01 اسفند 1402
چکیده
سرطان ریه به دلیل رشد نامنظم و غیر کنترلی سلولهای سرطانی در بافت ریه ایجاد میشود. سلولهای سرطانی توانایی تقسیم و افزایش خود را به شکل نامنظم و ناهماهنگ پیدا میکنند. نتیجه این تکثیر تشکیل یک توده سرطانی در ریه است. سرطان ریه میتواند از نقاط مختلف ریه مانند برونش (لولههای هوایی که به ریهها متصل میشوند) یا بافتهای بدون برونش ...
بیشتر
سرطان ریه به دلیل رشد نامنظم و غیر کنترلی سلولهای سرطانی در بافت ریه ایجاد میشود. سلولهای سرطانی توانایی تقسیم و افزایش خود را به شکل نامنظم و ناهماهنگ پیدا میکنند. نتیجه این تکثیر تشکیل یک توده سرطانی در ریه است. سرطان ریه میتواند از نقاط مختلف ریه مانند برونش (لولههای هوایی که به ریهها متصل میشوند) یا بافتهای بدون برونش شروع شود و به سرعت به سایر اعضای بدن منتقل شود. فهم دقیق مکانیسم ایجاد سرطان ریه هنوز موضوعی پیچیده است و تحقیقات بسیاری در این زمینه در حال انجام است. با اینحال تشخیص زود هنگام و تاثیر مهمی در فرآیند درمان بیماری دارد. از این رو در این پژوهش به تشخیص و طبقه بندی این بیماری به کمک یادگیری عمیق و انتقال یادگیری پرداخته میشود. در این راستا شبکه از پیش آموزش داده شده Alexnet انتخاب شده است. طی فرایند انتقال یادگیری شبکه جهت تشخیص سرطان ریه بر روی داده IQ-OTH/NCCD در سه دسته نرمال، خوشخیم و بدخیم تنظیم می گردد. به این منظور آخرین لایه تمام اتصال شبکه Alexnet حذف میشود و لایه تمام اتصال جدید منطبق بر تعداد طبقههای مجموعه داده جایگزین میشود. دقت طبقهبندی به روش پیشنهادی بر روی مجموعه داده IQ-OTH/NCCD برابر 93% گزارش شده است.
پردازش تصاویر پزشکی
محمدمهدی علیمرادی؛ محمد باقر خدابخشی؛ شهریار جاماسب
دوره 17، شماره 1 ، خرداد 1402، ، صفحه 61-70
چکیده
سکته مغزی یکی از علل مرگ و میر و عامل اصلی ایجاد ناتوانی بیماران در کشورهای توسعه یافته است. به طور معمول شناسایی ضایعات سکته مغزی به وسیله تصویربرداری مغناطیسی صورت می گیرد و تحلیل آن نیازمند حضور مستمر پزشک در مرکز درمانی است. لذا پردازش هوشمند تصاویر پزشکی رویکردی موثر برای تشخیص خودکار ضایعات مغزی خواهد بود.در این مقاله یک چارچوب ...
بیشتر
سکته مغزی یکی از علل مرگ و میر و عامل اصلی ایجاد ناتوانی بیماران در کشورهای توسعه یافته است. به طور معمول شناسایی ضایعات سکته مغزی به وسیله تصویربرداری مغناطیسی صورت می گیرد و تحلیل آن نیازمند حضور مستمر پزشک در مرکز درمانی است. لذا پردازش هوشمند تصاویر پزشکی رویکردی موثر برای تشخیص خودکار ضایعات مغزی خواهد بود.در این مقاله یک چارچوب تلفیقی جدید بر مبنای سیستم استنتاج فازی و شبکه عصبی عمیق برای بخش بندی خودکار ضایعات مغزی معرفی شده است. در این راستا، ابتدا به معرفی یک شبکه عمیق یونِت (U-net) بهبود یافته برای تشخیص و بخش بندی ضایعه پرداخته شده است که شامل افزایش تعداد لایه های بخش های رمزگذار و رمزگشا به همراه تغییر توابع فعالسازی است. سپس با به کارگیری یک سیستم استنتاج فازی مبتنی بر قواعد اگر-آنگاه ، رویکرد پیشنهادی این مطالعه که بر مبنای پیش پردازش تصاویر ورودی و به کارگیری شبکه یونِت است، معرفی گردیده است.نتایج نشان داد، تلفیق سیستم استنتاج فازی در پیش پردازش با شبکه عمیق یونِت توانست ضریب دایس را تا میزان 84/0 افزایش دهد. به علاوه، بهبود کنتراست تصاویر ورودی توسط سیستم فازی نسبت به روش یکسان سازی هیستوگرام، عملکرد بسیار بهتری در تشخیص ضایعات با ابعاد کوچک بروز دادند که دلیل آن توانمندی بیشتر کنترل کنتراست در قواعد فازی است.
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.
شبکه عصبی / شبکه عصبی بیولوژیکی و مصنوعی
سیده صدف رضوی نژاد؛ امیرمحمد فلاح؛ سیدابوالقاسم میرروشندل
دوره 14، شماره 4 ، بهمن 1399، ، صفحه 307-320
چکیده
دیابت یک بیماری شایع در سراسر جهان است. این بیماری، سخت، غیرقابل علاج و در عین حال قابل کنترل بوده و از این رو کنترل و پیشگیری از عوارض آن امری مهم است. به همین دلیل استفاده از روشهای هوشمند با خطای پایین برای پیشبینی میزان قند خون و از همه مهمتر جلوگیری از عوارض خطرناک آن یک مسالهی مهم در کنترل بهتر این بیماری است. با توجه به ...
بیشتر
دیابت یک بیماری شایع در سراسر جهان است. این بیماری، سخت، غیرقابل علاج و در عین حال قابل کنترل بوده و از این رو کنترل و پیشگیری از عوارض آن امری مهم است. به همین دلیل استفاده از روشهای هوشمند با خطای پایین برای پیشبینی میزان قند خون و از همه مهمتر جلوگیری از عوارض خطرناک آن یک مسالهی مهم در کنترل بهتر این بیماری است. با توجه به روشهای مختلف ارائه شده در این زمینه، در این مقاله نیز دو مدل با استفاده از رهیافت یادگیری عمیق ارائه شده که نتایج آن کارآمد و بهینه است. این دو مدل پیشنهادی از ترکیبهای متفاوتی از شبکههای عصبی حافظهی طولانی کوتاهمدت و پیشخور تشکیل شده و میزان قند خون آتی بیمار را با دقت و سرعت قابل توجهی پیشبینی میکنند. در این راستا از 81.200 دادهی میزان قند خون 203 بیمار به همراه 27 مشخصهی موثر بر میزان قند خون استفاده شده است. همچنین به منظور ارزیابی دقیق از روش اعتبارسنجی متقابل مناسب برای سری زمانی استفاده شده و نتایج حاصل از اجرای مدلها نشان داده که مدل میانگین متحرک خودهمبستهی یکپارچه با توجه به این حجم از داده و ضعف سختافزاری سیستم پیادهسازی شده قادر به پیشبینی میزان قند خون نبوده در حالی که کارایی و سرعت عملکرد مدلهای مبتنی بر یادگیری عمیق قابل قبول است. همچنین با توجه به نتایج به دست آمده مدل پیشنهادی دوم برای افقهای پیشبینی 5، 10 و 15 دقیقه به ترتیب 8/13%، 16% و 9/18% بهتر از مدل پیشنهادی اول عمل کرده و مدل قابل اعتمادتری برای پیشبینی میزان قند خون است. از این رو مدل پیشنهادی دوم میتواند در سیستمهای هوشمند هشداردهنده برای پیشگیری از وقوع هیپوگلیسمی که از عوارض خطرناک و شایع بیماری دیابت نوع یک است مورد استفاده قرار گیرد.
پردازش سیگنالهای حیاتی
راحله داودی؛ محمدحسن مرادی
دوره 12، شماره 1 ، خرداد 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.