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 سیگنالهای حیاتی
پرستو صادقی نیا؛ حامد داننده حصار
دوره 16، شماره 3 ، آذر 1401، ، صفحه 271-287
چکیده
سیگنالهای فونوکاردیوگرافی (PCG)، اطلاعات ارزشمندی را در مورد عملکرد دریچه‌های قلبی دارند. ازاین‌رو، این سیگنال‌ها در تشخیص زودهنگام بیماریهای قلبی می‌توانند مفید واقع شوند. طبقهبندی خودکار صدای قلب، دارای پتانسیل امیدوارکننده‌ای در آسیب‌شناسی قلبی است. در این پژوهش، روشی خودکار برای تشخیص صداهای طبیعی از غیرطبیعی قلب پیشنهاد ...
بیشتر
سیگنالهای فونوکاردیوگرافی (PCG)، اطلاعات ارزشمندی را در مورد عملکرد دریچه‌های قلبی دارند. ازاین‌رو، این سیگنال‌ها در تشخیص زودهنگام بیماریهای قلبی می‌توانند مفید واقع شوند. طبقهبندی خودکار صدای قلب، دارای پتانسیل امیدوارکننده‌ای در آسیب‌شناسی قلبی است. در این پژوهش، روشی خودکار برای تشخیص صداهای طبیعی از غیرطبیعی قلب پیشنهاد گردیده است. در روش پیشنهادی ابتدا صداهای قلبی به چهار بخش صدای S1، S2، سیستول و دیاستول قطعه‌بندی می‌گردند. سپس ویژگیهای زمانی آماری و زمانی فرکانسی از هرکدام از این بخش‌ها استخراج میگردد. قبل از عملیات طبقهبندی دادهها، از دو رهیافت برای انتخاب ویژگیهای مؤثر استفاده‌شده است. در رهیافت اول، انتخاب ویژگی با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات (PSO) و در رهیافت دوم با استفاده از جستجوی سلسله مراتبی (SFFS) انجام میگردد. روش پیشنهادی بر روی پایگاه داده چالش 2016 فیزیونت ارزیابی گردید و در نهایت عملکرد روش پیشنهادی با استفاده از روش اعتبارسنجی متقابل10لایه‌ای مورد ارزیابی قرار گرفت. همچنین، به علت نامتوازن بودن تعداد صداهای طبیعی نسبت به صداهای غیرطبیعی، از تکنیک بیش‌نمونه‌برداری اقلیت مصنوعی (SMOTE) برای تولید مجموعه دادههای متعادل استفاده گردید. نتایج ارزیابی روی پایگاه داده فوق‌الذکر نشان دادند که روش پیشنهادی دارای صحت 03/98 درصد، حساسیت 64/97 درصد و اختصاصیت 43/98 درصد در تشخیص صداهای طبیعی از غیرطبیعی می‌باشد.
پردازش تصاویر پزشکی
سینا شامخی
دوره 16، شماره 2 ، شهریور 1401، ، صفحه 95-113
چکیده
بررسی شهودی لایه‌های شبکیه در تصاویر برش‌نگاری همدوسی اپتیکی حوزهی طیف (SD-OCT) یکی از روشهای اصلی مورد استفاده‌ی پزشکان برای تشخیص بیماریهای شبکیه است. این روش با چالش‌هایی مانند نویز، پیچیدگی تصاویر و نزدیکی لایه‌ّهای شبکیه مواجه می‌باشد. در سال‌های اخیر تشخیص خودکار بیماریهای شبکیه‌ی چشم به یکی از موضوعات مهم بالینی در ...
بیشتر
بررسی شهودی لایه‌های شبکیه در تصاویر برش‌نگاری همدوسی اپتیکی حوزهی طیف (SD-OCT) یکی از روشهای اصلی مورد استفاده‌ی پزشکان برای تشخیص بیماریهای شبکیه است. این روش با چالش‌هایی مانند نویز، پیچیدگی تصاویر و نزدیکی لایه‌ّهای شبکیه مواجه می‌باشد. در سال‌های اخیر تشخیص خودکار بیماریهای شبکیه‌ی چشم به یکی از موضوعات مهم بالینی در حوزهی بینایی کامپیوتر تبدیل شده است. در این تحقیق روشی جدید برای طبقهبندی کارآمد چندکلاسه‌ی خودکار تصاویر SD-OCT ارائه شده که متشکل از پنج مرحلهی پیش‌پردازش، تشخیص لایه‌ها، استخراج ویژگیها، کاهش بعد، و طبقهبندی تصویر است. بررسی شکل لایه‌ی RNFL و پیوند IS/OS به عنوان روشی بالینی در تصمیم‌گیری‌های پزشکان برای تشخیص بیماریهای شبکیه موثر است. از این رو در این پژوهش با الهام از این روش تشخیص بالینی، لایه‌ی RNFL و پیوند IS/OS توسط روشی جدید مبتنی بر الگوریتم بهبود رگ فرنگی و گرادیان تصویر تشخیص داده شده است. سپس با استخراج و انتخاب انواعی از ویژگیهای موثر از لایه‌ها، الگوریتمی بر پایه‌ی درخت تصمیم ترکیبی برای طبقهبندی تصاویر شبکیه پیشنهاد شده و در قالب یک نرم‌افزار کاربردی در متلب ارائه شده است. روش پیشنهادی روی تصاویر دو پایگاه دادهی شناخته شدهی دوک و کرمنی ارزیابی شده است. بر اساس نتایج، دقت، حساسیت، اختصاصیت، درستی، نرخ منفی نادرست و معیار F1 روش پیشنهادی در پایگاه دادهی دوک به ترتیب برابر با 7/98، 8/98، 4/99، 1/99، 3/1 و 7/98 درصد و در پایگاه کرمنی به ترتیب برابر با 8/96، 7/96، 9/98، 4/98، 2/3 و 7/96 درصد است. نتایج نشاندهندهی برتری روش پیشنهادی در مقایسه با سایر روشهای مقایسه‌ای است. در مجموع به کارگیری ویژگیهای کارآمد از لایه‌های تاثیرگذار شبکیه و توانمندی روش طبقهبندی، موجب ارتقای عملکرد روش پیشنهادی در مقایسه با روشهای پیچیده‌تر پیشین شده است.
پردازش سیگنالهای حیاتی
فائزه دانشمند بهمن؛ عاتکه گشوارپور
دوره 16، شماره 2 ، شهریور 1401، ، صفحه 115-131
چکیده
اختلالات اضطرابی از شایعترین و ناتوان‌کنندهترین اختلالات روانی در سراسر جهان به شمار میآیند. از طرف دیگر از سال 2019 با شیوع کووید-19 اضطراب بین مردم و به خصوص کادر درمان افزایش پیدا کرده است. در حال حاضر اضطراب (زمانی که علائم کافی و شدید باشد) با استفاده از پرسش‌نامه و توسط افراد متخصص تشخیص داده میشود. برای رفع این کاستی، ...
بیشتر
اختلالات اضطرابی از شایعترین و ناتوان‌کنندهترین اختلالات روانی در سراسر جهان به شمار میآیند. از طرف دیگر از سال 2019 با شیوع کووید-19 اضطراب بین مردم و به خصوص کادر درمان افزایش پیدا کرده است. در حال حاضر اضطراب (زمانی که علائم کافی و شدید باشد) با استفاده از پرسش‌نامه و توسط افراد متخصص تشخیص داده میشود. برای رفع این کاستی، اخیرا توجه محققان به استفاده از سیگنالهای مغزی جلب شده است. به همین منظور مطالعه‌ی حاضر با هدف تشخیص اضطراب با استفاده از سیگنال مغزی انجام شده است. نوآوری این مطالعه استفاده از نقشه‌ی آشوب‌گون چبیشف برای اولین بار در تحلیل سیگنالهای بیولوژیکی است. در این مطالعه از پایگاه دادهی DASPS استفاده شده که شامل الکتروانسفالوگرام 14 کاناله از 23 نفر (10 مرد و 13 زن با میانگین سنی 30 سال) است. از نمرات آزمون خودارزیابی آدمک برای تقسیم اضطراب به دو و چهار سطح استفاده شده است. ابتدا دادهها نرمالسازی شده و سپس نقشه‌ی آشوب‌گون بازسازی و به 128 نوار تقسیم شده است. چگالی نقاط در هر یک از نوارها محاسبه شده است. دو شاخص حداکثر چگالی و نمونه‌ی مربوط به آن به عنوان ویژگی در نظر گرفته شده است. در نهایت ویژگیها به 5 روش شامل ویژگی 1 تمام کانالها، نگاشت ویژگی 1 تمام کانالها با استفاده از تجزیه و تحلیل اجزای اصلی (PCA)، ویژگی 2 تمام کانالها، نگاشت ویژگی 2 تمام کانالها با استفاده از PCA و هر ویژگی-هر کانال به طور جداگانه به دو طبقهبند ماشین بردار پشتیبان (SVM) و K-نزدیکترین همسایه (K-NN) اعمال شده است. نتایج حاکی از حداکثر صحت 75/93% برای تشخیص دو سطح اضطراب و 15/96% برای تشخیص چهار سطح اضطراب است. علاوه بر این، عملکرد K-NN از SVM بهتر بوده است. در نتیجه میتوان الگوریتم پیشنهادی را به عنوان یک رویکرد مناسب برای تشخیص اضطراب معرفی کرد.
پردازش سیگنالهای حیاتی
حمید شفاعت‌فر؛ مهدی تقی‌زاده؛ مرتضی ولی‌زاده؛ محمدحسین فاتحی
دوره 16، شماره 2 ، شهریور 1401، ، صفحه 147-158
چکیده
تشخیص خودکار آریتمیهای قلبی برای درمان موفق بیماریهای قلبی از اهمیت زیادی برخوردار است و یادگیری ماشین برای این منظور مورد استفاده قرار میگیرد. برای طبقهبندی صحیح کلاسهای آریتمی، استخراج ویژگیهای مناسب جهت ایجاد تمایز بین کلاسهای مختلف، اهمیت زیادی دارد. در این مقاله از یک شبکهی عصبی پیچشی عمیق برای استخراج ویژگی ...
بیشتر
تشخیص خودکار آریتمیهای قلبی برای درمان موفق بیماریهای قلبی از اهمیت زیادی برخوردار است و یادگیری ماشین برای این منظور مورد استفاده قرار میگیرد. برای طبقهبندی صحیح کلاسهای آریتمی، استخراج ویژگیهای مناسب جهت ایجاد تمایز بین کلاسهای مختلف، اهمیت زیادی دارد. در این مقاله از یک شبکهی عصبی پیچشی عمیق برای استخراج ویژگی استفاده شده است. با توجه به این که ضربانهای قلبی بیماران مختلف دارای تفاوت زیادی هستند، کلاسهای آریتمی دارای تغییرات درونکلاسی زیادی خواهند بود. برای کاهش تغییرات درونکلاسی، ضربانهای قلبی هر بیمار با یک تابع اختصاصی به نحوی نگاشت داده شده است که شباهت آن به ضربانهای قلبی یکی از بیماران آموزشی افزایش یابد. نگاشت اختصاصی پیشنهادی سبب کاهش تغییرات درونکلاسی شده و دقت طبقهبندی آریتمیهای قلبی را به میزان قابل ملاحظهای افزایش داده است. برای اثبات کارایی روش پیشنهادی، نتایج آن با چندین تحقیق جدید بر اساس سه معیار ارزیابی دقت، حساسیت و اختصاصیت و روی مجموعهی دادهی یک‌سان مقایسه شده است. دقت به دست آمده حدود 24/96 درصد بوده که نشان دهندهی کارایی بهتر روش پیشنهادی در مقایسه با سایر کارها است.
پردازش سیگنالهای حیاتی
مریم دوروشی؛ ندا بهزادفر؛ غضنفر شاهقلیان
دوره 14، شماره 2 ، تیر 1399، ، صفحه 109-119
چکیده
اثر اصلی، عمده و کوتاه‌مدت مصرف الکل روی سیستم اعصاب مرکزی است. مصرف مشروبات الکلی باعث ایجاد ناتوانی در مغز شده به طوری که مصرف زیاد آن باعث فلج شدن فعالیتهای مغزی، دستگاه تنفس و در نتیجه مرگ میشود. در این مقاله به منظور تشخیص مصرف الکل، سیگنال الکتروانسفالوگرام (EEG) 20 فرد شرکت کننده شامل 10 فرد الکلی و 10 فرد کنترل در 64 کانال مورد ...
بیشتر
اثر اصلی، عمده و کوتاه‌مدت مصرف الکل روی سیستم اعصاب مرکزی است. مصرف مشروبات الکلی باعث ایجاد ناتوانی در مغز شده به طوری که مصرف زیاد آن باعث فلج شدن فعالیتهای مغزی، دستگاه تنفس و در نتیجه مرگ میشود. در این مقاله به منظور تشخیص مصرف الکل، سیگنال الکتروانسفالوگرام (EEG) 20 فرد شرکت کننده شامل 10 فرد الکلی و 10 فرد کنترل در 64 کانال مورد بررسی قرار گرفته است. به منظور تحلیل سیگنال EEG، ویژگیهای فرکانسی و غیرفرکانسی شامل طیف توان زیرباندها، آنتروپی جایگشتی، آنتروپی تقریبی، بعد فراکتال کتز و پتروشن استخراج شده است. برای بررسی تفاوت معنادار بین دو گروه الکل و کنترل از تحلیل آماری و از شاخص دﯾﻮﯾﺲ-ﺑﻮﻟﺪﯾﻦ (DB) برای انتخاب بهترین کانال جهت ایجاد تفکیک بین سیگنال EEG افراد الکلی و کنترل استفاده شده است. نتایج به دست آمده نشان میدهد که در بین ویژگیهای فرکانسی، توان فرکانسی دومین زیرباند پایین آلفادر افراد الکلی کاهش یافته و با توجه به شاخص DB، کانال CP3 بهترین تفکیک‌پذیری را بین گروه الکل و کنترل داشته است. همچنین در بین ویژگیهای غیرفرکانسی، بعد فراکتال کتز در افراد گروه کنترل افزایش یافته و کانال FP2 بهترین تفکیک‌پذیری را داشته است. در ادامه با استفاده از طبقهبند k-نزدیکترین همسایه (KNN) با ویژگیهای توان فرکانسی دومین زیرباند پایین آلفا و بعد فراکتال کتز به ترتیب دقت‌های 71% و 93% به دست آمده است. بر اساس نتایج به دست آمده نشان داده شده که بهترین ویژگی تفکیک کننده‌ی دو گروه الکل و کنترل، بعد فراکتال کتز و بهترین کانال FP2 است.
پردازش تصاویر پزشکی
امیر سزاوار؛ حسن فرسی؛ فریما فرسی
دوره 12، شماره 4 ، بهمن 1397، ، صفحه 341-355
چکیده
سرطان پروستات، به عنوان یکی از مهمترین بیماریهای مردان به شمار میرود. تشخیص زودهنگام و به موقع این بیماری و درجهی پیش‌رفت آن، به روند درمان و جلوگیری از سرایت بیماری به سایر بافتها، کمک شایانی میکند. به منظور تعیین درجهی بیماری، از بافت نمونه‌برداری شده و با بررسی ساختار پاتولوژی، نوع درجه تعیین میگردد. در جدیدترین ...
بیشتر
سرطان پروستات، به عنوان یکی از مهمترین بیماریهای مردان به شمار میرود. تشخیص زودهنگام و به موقع این بیماری و درجهی پیش‌رفت آن، به روند درمان و جلوگیری از سرایت بیماری به سایر بافتها، کمک شایانی میکند. به منظور تعیین درجهی بیماری، از بافت نمونه‌برداری شده و با بررسی ساختار پاتولوژی، نوع درجه تعیین میگردد. در جدیدترین دسته‌بندی، بافت پروستات به پنج درجه تقسیمبندی میشود که درجهی یک، خوشخیمترین حالت و درجهی پنج، نشاندهندهی وخیمترین حالت بیماری می‌باشد. با توجه به زمانبر بودن طبقهبندی توسط انسان و رشد فناوری هوش مصنوعی، اخیرا این طبقهبندیها توسط الگوریتمهای هوشمند مختلفی انجام میشود. اگر چه امروزه روشهای قدرتمندی به منظور توصیف و طبقهبندی تصاویر، ابداع شده، اما وجود فاصلهی معناداری میان ادراک بینایی انسان و ویژگیهای سطح پایین استخراج شده توسط الگوریتمها، مهمترین چالش در راه دستیابی به دقت مطلوب به شمار میرود. در این مقاله، با ترکیب ویژگیهای آماری بافت تصویر و ویژگیهای عمیق استخراج شده توسط شبکهی عصبی کانولوشن عمیق، روش جدیدی ارائه شده است که در آن، استفاده از شبکهی عصبی کانولوشن عمیق، باعث به دست آمدن ویژگیهای سطح بالا و عمیقی از تصاویر پاتولوژی شده و با ترکیب این ویژگیها با ویژگیهای آماری بافت، دقت طبقهبندی افزایش یافته است. به منظور ارزیابی روش پیشنهادی، این روش روی پایگاه دادهی جامعهی بینالمللی آسیب‌شناسی اورولوژی، اعمال شده است. نتایج به دست آمده نشان میدهد که روش پیشنهادی، به دقت بیش‌تری نسبت به سایر روشهای مرسوم برای طبقهبندی تصاویر پاتولوژی دست یافته است.
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.
بیوانفورماتیک / زیست‌داده‌ورزی
حسین بانکی کشکی؛ سیدعلی سیدصالحی؛ فاطمه زارع میرک‌آباد
دوره 11، شماره 3 ، آبان 1396، ، صفحه 219-230
چکیده
استفاده از توالیهای نوکلئوتیدی ژنوم به عنوان سیگنالهای بیوشیمیایی در روشهای یادگیری ماشین، با تبدیل این توالیها به کدهای عددی امکانپذیر است و این تبدیل باعث افزایش غیرواقعی بعد دادهها شده و انجام عملیاتهای تحلیل داده، مانند بصریسازی و استخراج ویژگی را با محدودیتهایی روبه‌رو میسازد. از این‌رو، باید با ...
بیشتر
استفاده از توالیهای نوکلئوتیدی ژنوم به عنوان سیگنالهای بیوشیمیایی در روشهای یادگیری ماشین، با تبدیل این توالیها به کدهای عددی امکانپذیر است و این تبدیل باعث افزایش غیرواقعی بعد دادهها شده و انجام عملیاتهای تحلیل داده، مانند بصریسازی و استخراج ویژگی را با محدودیتهایی روبه‌رو میسازد. از این‌رو، باید با استفاده از روشهای کاهش بعد، دادهها را به فضای واقعی برگرداند. در این پژوهش از یک شبکهی عصبی عمیق اتوانکودر به منظور کاهش بعد دادههای توالی مربوط به جایگاههای پیوند روی ژنوم انسان استفاده شده است. به منظور بررسی میزان حفظ اطلاعات دادههای اصلی در دادههای کاهش بعد یافته، از یک طبقهبندی دوکلاسه به وسیله‌ی ماشین بردار پشتیبان استفاده میشود. نتایج به دست آمده نشان میدهد که اطلاعات تقریبا به طور کامل در فشردهسازی حفظ میشود. سپس از دادههای فشرده‌شده برای بصریسازی و همچنین انتخاب ویژگی با تحلیل واریانس استفاده میشود. نتایج به دست آمده نشان میدهد که مکانهای اول، دهم و هشتم در توالیها دارای بیشترین اطلاعات هستند. درحالی‌که عمده‌ی پژوهشهای پیشین روی دادههای بیان ژن حاصل از میکروآرایه، متمرکز شدهاند و مقایسه‌ی محدودی بین روشهای کاهش بعد در آنها انجام شده است. این مقاله برای نخستین بار، دادههای نوکلئوتیدی توالی را با شبکهی اتوانکودر، کاهش بعد داده و مقایسه‌ی جامعی بین انواع روشهای کاهش بعد و یادگیری ماشین ارائه میدهد.
پردازش تصاویر پزشکی
امیراحسان لشکری؛ فاطمه پاک؛ محمد فیروزمند
دوره 9، شماره 1 ، فروردین 1394، ، صفحه 71-84
چکیده
سرطان پستان رایجترین نوع سرطان در بین زنان است. مطالعات پاتولوژیک نشان داداند که بیش از80% ناهنجاری های پستان در مراحل اولیه خوشخیم هستند، بنابراین مهمترین مسأله در درمان آن تشخیص زودهنگام است. ترموگرافی مادون قرمز پستان یک روش تصویرگیری مبتنی بر ثبت الگوهای توزیع دمایی بافت پستان است و در مقایسه با ماموگرافی پستان ...
بیشتر
سرطان پستان رایجترین نوع سرطان در بین زنان است. مطالعات پاتولوژیک نشان داداند که بیش از80% ناهنجاری های پستان در مراحل اولیه خوشخیم هستند، بنابراین مهمترین مسأله در درمان آن تشخیص زودهنگام است. ترموگرافی مادون قرمز پستان یک روش تصویرگیری مبتنی بر ثبت الگوهای توزیع دمایی بافت پستان است و در مقایسه با ماموگرافی پستان به دلیل غیرتهاجمی، غیرتماسی، غیرفعال بودن و عدم استفاده از تابش یونیزان روشی بسیار مناسب درتشخیص زودهنگام سلول های سرطانی است. در این مقاله روشی به منظور آشکارسازی خودکار نواحی مشکوک در تصاویر ترموگرام پستان با هدف کمک رساندن به پزشکان در تشخیص زودهنگام این سرطان ارائه شده است، به نحوی که دقت و صحت را افزایش داده و درصد پذیرش اشتباه را کاهش می دهد. این الگوریتم شامل 4 بخش اصلی پردازش تصویر، استخراج ویژگی، انتخاب ویژگی و طبقهبندی است. در مرحلهی پردازش، ابتدا براساس عملیاتی تمام خودکار، ناحیهی مطلوب تعیین شده، کیفیت تصاویر ارتقاء یافته و سپس پستان راست و چپ از یکدیگر جدا میشوند. سپس درایههای ماتریس تصویر، نرمالسازی شده و نواحی نسبی مشکوک تعیین می شوند. پس از آن و در مرحلهی استخراج ویژگی، ویژگیهای آماری، ویژگیهایی مبتنی بر هیستوگرام، ویژگیهایی مبتنی بر ماتریس هموقوعی (GLCM)، ویژگیهایی بر اساس مورفولوژی نواحی مشکوک و ویژگی هایی در حوزهی فرکانس از هر یک از نواحی بخشبندی شدهی پستان راست و چپ استخراج میشوند. در ادامه برای دستیابی به بهترین ویژگیها، روشهای انتخاب ویژگی نظیر کمترین افزونگی و بیشترین ارتباط (mRMR)، انتخاب متوالی روبه جلو (SFS)، انتخاب متوالی روبه عقب (SBS)، انتخاب متوالی سیال روبه جلو (SFFS)، انتخاب متوالی سیال روبه عقب (SFBS) و الگوریتم ژنتیک (GA) بهکار گرفته میشود. در پایان برای طبقهبندی و تعیین معیار استاندارد برای تحلیل دمای عروقی پستانها (TH)، روشهای مختلف طبقهبندی مانند AdaBoost، ماشینهای بردار پشتیبان (SVM)، نزدیکترین همسایه (KNN)، بیزین ساده (NB) و شبکهی عصبی احتمالی (PNN) مورد ارزیابی قرار گرفتند، تا از مناسب ترین آنها به منظور طبقهبندی ویژگیها استفاده شود. نتایج بهدست آمده روی پایگاه دادهی بومی، بیانگر کارایی قابلتوجه روش پیشنهادی است. با توجه به نتایج، ترکیب mRMR با AdaBoost با بیشینه صحت 92% و ترکیب SFFS با AdaBoost با بیشینه صحت 88%، بهترتیب بهترین ترکیبات بهدست آمده روی تصاویر پستان راست و چپ ارزیابی شدند.
پردازش تصاویر پزشکی
هادی صباحی؛ حمید سلطانیان‌زاده؛ لیزا اسکارپیس؛ تام میکلسن
دوره 5، شماره 4 ، اسفند 1390، ، صفحه 289-295
چکیده
در این مقاله، روش جدیدی برای پیش بینی نتیجه درمان تومور GBM با استفاده از داروی بواسیزوماب ارائه شده است. در این روش از شاخص های ناهمسانگردی انتشار و اطلاعات مکانی برای پیش بینی پاسخ هر یک از واکسل های ناحیه توموری به درمان استفاده شده است. شاخص های ناهمسانگردی (DAI) استفاده شده عبارتند از: ناهمسانگردی جزئی (FA)، متوسط انتشار (MD)، ناهمسانگردی ...
بیشتر
در این مقاله، روش جدیدی برای پیش بینی نتیجه درمان تومور GBM با استفاده از داروی بواسیزوماب ارائه شده است. در این روش از شاخص های ناهمسانگردی انتشار و اطلاعات مکانی برای پیش بینی پاسخ هر یک از واکسل های ناحیه توموری به درمان استفاده شده است. شاخص های ناهمسانگردی (DAI) استفاده شده عبارتند از: ناهمسانگردی جزئی (FA)، متوسط انتشار (MD)، ناهمسانگردی نسبی (RA) و نسبت حجمی (VR) که از تصاویر تانسور انتشار (DTI) قبل از درمان استخراج شده است. اطلاعات مکانی بصورت فاصله هر واکسل توموری از مرکز تومور تعریف می شود که از تصاویر T1-Post Contrast(PC-T1) قبل از درمان استخراج می شوند. شاخص های ناهمسانگردی انتشار بهمراه اطلاعات مکانی به عنوان بردار ویژگی برای هر واکسل در نظر گرفته می شود. تصاویر DTI و PC-T1 از 7 بیمار دارای تومور GBM قبل و بعد از درمان جمع آوری شده است. ابتدا شاخص های ناهمسانگردی از همه واکسل های مغزی و فاصله هر واکسل توموری از مرکز ناحیه تومور محاسبه می شود. سپس نگاشت های DAI پیش از درمان و تصویر PC-T1 پس از درمان به تصویر PC-T1 قبل از درمان رجیستر می شود آنگاه با استفاده از روش آستانه گذاری، ناحیه توموری از تصاویر PC-T1 استخراج می شوند. سپس واکسل هایی که کنتراستشان با گادلینیم بهبود یافته است و متعلق به تصاویر PC-T1 قبل و بعد از درمان هستند، برای برچسب گذاری بردارهای ویژگی مورد مقایسه قرار می گیرند. در این روش سه طبقه بندی کننده مختلف را مورد ارزیابی قرار دادیم که عبارتند از: SVM، KNN و ANN. نتایج طبقه بندی نشان دادند که طبقه بندی کننده KNN بر اساس معیار های معروف دارای نتایج بهتری می باشد و نتایج درمان را برای هر واکسل بهتر پیش بینی می کند.
زهره دهقانی بیدگلی؛ محمدحسین میران‌بیگی؛ رسول ملک‌فر؛ احسان اله کبیر؛ طاهره خامه‌چیان
دوره 4، شماره 4 ، اسفند 1389، ، صفحه 307-316
چکیده
در این تحقیق به بررسی بافتهای سرطانی چندین اندام بدن با استفاده از طیف‌سنجی رامان لیزری پرداخته‌ایم. در این راستا نمونه‌های مختلف بافتی با تشخیص‌های پاتولوژیک متفاوت (سالم و سرطانی) از یک آزمایشگاه پاتولوژی به امانت گرفته و با دو سیستم طیف‌سنجی رامان بررسی شدند. از آنجایی که یکی از اهداف این مطالعه مستقل ساختن تشخیص از نوع سیستم ...
بیشتر
در این تحقیق به بررسی بافتهای سرطانی چندین اندام بدن با استفاده از طیف‌سنجی رامان لیزری پرداخته‌ایم. در این راستا نمونه‌های مختلف بافتی با تشخیص‌های پاتولوژیک متفاوت (سالم و سرطانی) از یک آزمایشگاه پاتولوژی به امانت گرفته و با دو سیستم طیف‌سنجی رامان بررسی شدند. از آنجایی که یکی از اهداف این مطالعه مستقل ساختن تشخیص از نوع سیستم طیف‌سنجی است؛ الگوریتمهایی برای حذف تفاوتهای سیستمیک در طیفهای بدست آمده از دو سیستم، ارائه شده است. پس از آن نوفه و فلورسانس موجود در طیف ها با موجک جدیدی که LWT آنرا ایجاد کرد، حذف و با چند طبقهبند مختلف، طبقهبندی شد. بهترین نتیجه حاکی از تمایز 83% بین نمونة سالم و سرطانی با استفاده از طبقهبند SVM است.
پردازش سیگنالهای حیاتی
محمدمهدی رمضانی؛ احمدرضا شرافت
دوره 4، شماره 2 ، شهریور 1389، ، صفحه 123-134
چکیده
در این مقاله با استفاده از کورنتروپی، روشی مؤثر برای دسته‌بندی سیگنال الکترومایوگرام سطحی به منظور کنترل پروتزهای مایوالکتریک ارائه شده است. چون سیگنال الکترومایوگرام سطحی در دامنه‌های پائین نیرو ماهیتی غیرگوسی دارد درحالی‌که اغتشاش محیط گوسی فرض میشود، از کورنتروپی برای استخراج ویژگی از این سیگنال استفاده می‌کنیم؛ زیرا کورنتروپی ...
بیشتر
در این مقاله با استفاده از کورنتروپی، روشی مؤثر برای دسته‌بندی سیگنال الکترومایوگرام سطحی به منظور کنترل پروتزهای مایوالکتریک ارائه شده است. چون سیگنال الکترومایوگرام سطحی در دامنه‌های پائین نیرو ماهیتی غیرگوسی دارد درحالی‌که اغتشاش محیط گوسی فرض میشود، از کورنتروپی برای استخراج ویژگی از این سیگنال استفاده می‌کنیم؛ زیرا کورنتروپی تنها دربرگیرنده اطلاعات مربوط به مؤلفههای غیرگوسی است و تخمین آن از نمونه‌های محدود بسیار ساده است. سپس با بهکارگیری ویژگیهای استخراج شده، از طبقهبندی کننده آنالیز تفکیک خطی برای دسته‌بندی سیگنال الکترومایوگرام سطحی استفاده می‌کنیم. نتایج بهدست آمده با استفاده از روش پیشنهادی این مقاله، در مقایسه با نتایج سایر روشهای پیشرفته شناسایی الگوی سیگنال الکترومایوگرام سطحی هم بهبود یافته و هم محاسبات کمتری دارد.
