شبکه عصبی / شبکه عصبی بیولوژیکی و مصنوعی
حامد عباسی؛ شاهرخ شجاعی؛ نسیم نادری
دوره 13، شماره 2 ، شهریور 1398، ، صفحه 105-115
چکیده
امروزه جهت تصمیمگیری در مورد بسیاری از عمل‌های جراحی قلب و بررسی شرایط و آمادگی بیمار برای انجام عمل جراحی، از روش اندازه‌گیری مقاومت عروق ریوی استفاده می‌شود. اگر مقدار این مقاومت از یک حد آستانه بالاتر باشد، بیمار به عنوان غیرقابل عمل در نظر گرفته شده و حتی گاهی درمان‌هایی برای کاهش مقاومت عروق ریوی در مراحل اولیه‌ی بیماریهای ...
بیشتر
امروزه جهت تصمیمگیری در مورد بسیاری از عمل‌های جراحی قلب و بررسی شرایط و آمادگی بیمار برای انجام عمل جراحی، از روش اندازه‌گیری مقاومت عروق ریوی استفاده می‌شود. اگر مقدار این مقاومت از یک حد آستانه بالاتر باشد، بیمار به عنوان غیرقابل عمل در نظر گرفته شده و حتی گاهی درمان‌هایی برای کاهش مقاومت عروق ریوی در مراحل اولیه‌ی بیماریهای این عروق انجام می‌شود که برای پیگیری کاهش مقاومت عروق ریوی نیز لازم است تا این پارامتر مجددا اندازه‌گیری شود. در حال حاضر تنها معیار برای اندازه‌گیری این پارامتر، استفاده از روش‌های کاتتریسم است که روشی تهاجمی بوده و با عوارض جانبی زیادی همراه است. هدف از انجام این تحقیق، ارائه‌ی یک روش غیرتهاجمی به جای روش تهاجمی کاتتریزاسیون قلبی، از طریق پیش‌بینی مقاومت عروق ریوی بر مبنای داده‌های اکوکاردیوگرافی توسط شبکه‌های عصبی مصنوعی می‌باشد. این تحقیق روی 591 بیمار صورت گرفته است. پس از انجام اکوکاردیوگرافی برای تمامی بیماران، داده‌های اکوکاردیوگرافی (mPAP، dPAP، sPAP، PCWP، CO) به عنوان ورودی شبکه‌ی عصبی و مقاومت عروق ریوی تمام بیماران (حاصل از کاتتریزاسیون قلبی) به عنوان خروجی شبکه‌ی عصبی مورد ارزیابی قرار گرفته و در نهایت ارتباط بین داده‌های اکوکاردیوگرافی و PVRcath به دست آمده است. برای بررسی عمل‌کرد شبکه‌ی عصبی پیشنهادی، به طور معمول از 75% داده‌ها برای آموزش و از 25% داده‌ها برای آزمون استقاده شده و هم‌چنین برای آموزش بهتر شبکه‌ی عصبی، این نسبت‌ها تغییر داده شده است. در نتایج پیاده‌سازی، میانگین مربعات خطا به ترتیب برای داده‌های آموزش و آزمون شبکه‌ی عصبی پیشنهادی در مدل اول برابر با 37/0 و 27/0، در مدل دوم برابر با 67/14 و 76/10 و در مدل سوم برابر با 82/15 و 58/9 به دست آمده است.
پردازش تصاویر پزشکی
پدارم مسائلی؛ حمید بهنام؛ زهرا علیزاده ثانی؛ احمد شالباف
دوره 7، شماره 3 ، آذر 1392، ، صفحه 237-254
چکیده
بیماری عروق تغذیه‌کننده قلب (عروق کرونر) عامل بیش از نیمی از مرگ‌های ناشی از بیماریهای قلبی و عروقی و بزرگترین بیماری کشنده درجهان است. بدیهی است شناسایی اولیه، روشی عالی برای کنترل بیماری این عروق است که با اندازه‌گیری و امتیازبندی حرکت عمومی و ناحیه‌ای بطن چپ قلب (عادی،کم‌حرکت و بی‌حرکت) تشخیص داده می‌شود. متداول‌ترین روش ...
بیشتر
بیماری عروق تغذیه‌کننده قلب (عروق کرونر) عامل بیش از نیمی از مرگ‌های ناشی از بیماریهای قلبی و عروقی و بزرگترین بیماری کشنده درجهان است. بدیهی است شناسایی اولیه، روشی عالی برای کنترل بیماری این عروق است که با اندازه‌گیری و امتیازبندی حرکت عمومی و ناحیه‌ای بطن چپ قلب (عادی،کم‌حرکت و بی‌حرکت) تشخیص داده می‌شود. متداول‌ترین روش تصویربرداری از قلب به کمک امواج فراصوت است که اکوکاردیوگرافی نامیده می‌شود. با استفاده از این روش می‌توان نمایی دقیق را از دیواره‌های قلبی ، دریچه‌ها و ابتدای سرخرگ‌های بزرگ بدست آورد. به دلیل دوره آموزشی طولانی برای تفسیر این تصاویر، زمان‌بر بودن و ایجاد خطا در روش‌های دستی، نیاز به یک روش تحلیل خودکار بسیار احساس می‌شود. به منظور دستیابی به این هدف، در این مقاله به محاسبه میدان جابه‌جایی حرکت قلبی در چرخه‌ای از تصاویر دوبعدی اکوکاردیوگرافی پرداخته شده است. برای انجام این کار فریمی به عنوان مرجع انتخاب شد و سپس تمام تصاویر در یک چرخه با استفاده از معادله‌ای ریاضی به آن نگاشته شد و با استفاده از آن میدان جابه‌جایی حرکت قلبی در چرخه تخمین زده شد. ایده اصلی پیدا کردن مدل پارامتری مکانی-زمانی نیمه محلی برای تغییر شکل ایجاد شده در یک چرخه قلبی با تطبیق غیرصلب با استفاده از توابع بی اسپلاین، به عنوان یک مسأله بهینه‌سازی است که به طور مؤثر تفاوت ناشی از حرکت را با کمینه کردن تفاوت بین فریم جاری و فریم مرجع، تصحیح می‌کند. دقت تخمین حرکت با استفاده از فاکتور مجموع مربعات تفاضل اندازه‌گیری شد. از الگوریتم کاهش دهنده گرادیان شیب دار و روش چنددقتی نیز برای بدست آوردن ضرایب در مدل حرکتی استفاده شد. دقت روش مطرح شده با استفاده از یک توالی شبیه‌سازی شده چرخه قلبی واقع گرایانه با نرم افزار Field IIارزیابی شد. این الگوریتم‌برای تحلیل ناحیه‌ای بطن چپ به صورت بالینی به کار برده شد و پارامترهای جابه‌جایی و مقدار آستانه برای امتیازدهی هر بخش استخراج شد. این الگوریتم تفاوت قابل ملاحظه‌ای را بین بخشی از قلب سالم و قلب دچار بیماری نشان می‌دهد که نشان‌دهنده کاربردهای بالینی روش ارائه شده است.
