پردازش سیگنالهای حیاتی
امین جانقربانی؛ محمدحسن مرادی؛ عبدالله آراسته
دوره 7، شماره 2 ، شهریور 1392، ، صفحه 163-174
چکیده
اپیزودهای افت فشار خون حاد یکی از اختلالات همودینامیکی رایج در طیف گسترد های از بیماران است. متاسفانه نرخ تلفات در بین بیماران مبتلا به این اختلال بسیار بالا می باشد. عوامل مختلفی در وقوع این اختلال فیزیولوژیک موثر هستند که هر کدام داری منشا متفاوت می باشند. پیش آگهی اپیزودهای افت فشار خون حاد کمک شایانی به درمان مناسب و کاهش تلفات ...
بیشتر
اپیزودهای افت فشار خون حاد یکی از اختلالات همودینامیکی رایج در طیف گسترد های از بیماران است. متاسفانه نرخ تلفات در بین بیماران مبتلا به این اختلال بسیار بالا می باشد. عوامل مختلفی در وقوع این اختلال فیزیولوژیک موثر هستند که هر کدام داری منشا متفاوت می باشند. پیش آگهی اپیزودهای افت فشار خون حاد کمک شایانی به درمان مناسب و کاهش تلفات این بیماران خواهد نمود. با پی شآگهی این اختلال فیزیولوژیکی، پزشکان قادر خواهند بود علت وقوع این اختلال را با استفاده از بررس یهای بالینی مختلف دریافته و درمان مناسبی بر اساس عامل وقوع آن، انتخاب کنند. در این پژوهش به منظور پیش آگهی اپیزودهای افت فشار خون حاد در بازه یک ساعت آینده، دو نوع ویژگی آماری از پارامترهای همودینامیکی و ویژگی های آشوبناک از سری های زمانی فیزیولوژیکی موجود در بازه دو ساعتی منتهی به به ابتدای بازه پیش بینی، استخراج گردید. سپس ویژگی های برگزیده با استفاده از الگوریتم ژنتیک، توسط ماشین بردار پشتیبان طبقه بندی شدند. دقت پیش آگهی برای ویژگ یهای آماری پارامترهای فیزیولوژیکی 5/87 درصد و برای ویژگی های آشوبی 85 درصد حاصل گردید. در ادامه به منظور استفاده از جنبههای مختلف اطلاعات موجود در دو دسته ویژگی و بهبود دقت پیش آگهی، فرآیند انتخاب ویژگی به صورت همزمان برای هر دو دسته ویژگی استخراج شده، اعمال گردید و بهترین ترکیب از میان هر دو دسته ویژگی انتخاب شد. دقت پیش آگهی برای دسته ویژگی تلفیقی بهینه، 95 درصد حاصل شد که در مقایسه با نتایج مطالعات پیشین بر روی مجموعه داده مشابه، بهبود قابل توجهی حاصل گردید.
پردازش تصاویر پزشکی
عباس بینیاز؛ عطااله عباسی؛ موسی شمسی
دوره 7، شماره 2 ، شهریور 1392، ، صفحه 175-186
چکیده
بخش بندی تصویر را به بخش های مجزا تقسیم میکند که هر کدام از این بخش ها دارای سطوح روشنایییکنواختی هستند. از بین روشهای موجود روش خوشه بندیفازی FCM (fuzzy c-means clustering) دارای کاربرد وسیعی در ناحیهبندی تصاویر پزشکی است. عدم ادغام ویژگیهای مکانی در FCM استاندارد، از معایب این روش در ناحیهبندی تصاویر تشدید مغناطیسی MRI مغز انسان است؛ در این مقاله ...
بیشتر
بخش بندی تصویر را به بخش های مجزا تقسیم میکند که هر کدام از این بخش ها دارای سطوح روشنایییکنواختی هستند. از بین روشهای موجود روش خوشه بندیفازی FCM (fuzzy c-means clustering) دارای کاربرد وسیعی در ناحیهبندی تصاویر پزشکی است. عدم ادغام ویژگیهای مکانی در FCM استاندارد، از معایب این روش در ناحیهبندی تصاویر تشدید مغناطیسی MRI مغز انسان است؛ در این مقاله از روشی جدید برای بخشبندی و حذف نویز تصاویر MR با اعمال فیلتر مکانی گوسی در تابع عضویت فازی استفاده شده است. فیلتر مکانی مذکور، اثرات نویز در مرز بافتها و زوایای تصویر را بصورت بهینه ای مدیریت میکند؛ علاوه براین پیکسلی که به لحاظ آناتومیکییک بافت مجزا است مانند تومور در مراحل اولیهی رشد، شانس بیشتریبراییک خوشه شدن دارد. در پایان آزمایشات که بر روی پایگاه داده ISBR انجام شده است کیفیت روش پیشنهادی توسط توابع اعتبارسنجیمتداول مانند شاخص جاکارد و ضریب دایس مورد ارزیابی قرار گرفته است. از طرف دیگر در کاربردهای پزشکی به خصوص در شرایط اورژانسی، ضرورت سرعت عمل تمام عوامل پزشکی امری اجتناب ناپذیر است و الگوریتم ناحیهبندی از این قاعده مستثتی نیست، لذا برای دستیابی به این مهم توسط الگوریتمی مرکز ثقل اولیهی خوشهها ، مشخص میشود که زمان همگرایی تابع هزینه در FCM بهبود یافتهی مکانی گوسی، نسبت به CM استاندارد تا حد قابل قبولی کاهش مییابد.