بیومکانیک
علیرضا رضائی زنگنه؛ رامیلا عابدی آذر؛ حمیدرضا ناصرپور؛ سید حامد حسینی نسب
دوره 16، شماره 4 ، اسفند 1401، ، صفحه 51-60
چکیده
نیروی تماسی مفصل زانو نقش مهمی در بروز و پیشرفت بیماری استئوآرتریت زانو دارد که از آن به عنوان معیاری برای رصد فرآیند توانبخشی پس از جراحی آرتروپلاستی زانو و طراحی پروتز استفاده می شود. در حال حاضر، سنجش نیروی تماسی زانو مبتنی بر داده‌های استخراج شده از آزمایشگاه‌های تجزیه و تحلیل حرکت است. ترکیبی از شبکه‌های عصبی مصنوعی و فناوری ...
بیشتر
نیروی تماسی مفصل زانو نقش مهمی در بروز و پیشرفت بیماری استئوآرتریت زانو دارد که از آن به عنوان معیاری برای رصد فرآیند توانبخشی پس از جراحی آرتروپلاستی زانو و طراحی پروتز استفاده می شود. در حال حاضر، سنجش نیروی تماسی زانو مبتنی بر داده‌های استخراج شده از آزمایشگاه‌های تجزیه و تحلیل حرکت است. ترکیبی از شبکه‌های عصبی مصنوعی و فناوری حسگرهای پوشیدنی می‌تواند بر محدودیت‌های تحمیل‌شده در اندازه‌گیری نیروی تماسی مفصل توسط تجزیه و تحلیل‌های آزمایشگاهی غلبه کند. بنابراین، مطالعۀ حاضر با هدف بررسی پتانسیل یک شبکۀ عصبی تماماً متصل در برآورد پیوستۀ نیروی تماسی مفصل زانو از طریق داده‌های مستخرج از سه واحد اندازه‌گیری اینرسی متصل به سگمنت‌‌های لگن، ران و ساق صورت گرفت. نیروهای عکس‌العمل زمین و داده‌های سه‌بعدی مارکرهای متصل به 10 داوطلب مرد سالم حین راه رفتن به ترتیب با نرخ نمونه‌برداری 1000و 200 هرتز ثبت شدند. با استفاده از یک مدل عمومی از نرم افزار اپن سیم و از طریق روش بهینه‌سازی استاتیکی، نیروی تماسی مفصل زانو برآورد شد و به عنوان سیگنال هدف شبکه عصبی در نظر گرفته شد. همچنین، داده‌های سه بعدی شتاب خطی و سرعت زاویه‌ای محاسبه شده توسط سه حسگر اینرسیایی به عنوان ویژگی‌های ورودی شبکۀ عصبی در نظر گرفته شدند و عملکرد شبکه در دو سطح درون و میان آزمودنی مورد بررسی و ارزیابی قرار گرفت. نتایج نشان داد که شبکه عصبی مورد استفاده در پژوهش حاضر پیش‌بینی پیوستۀ نیروی تماسی مفصل زانو را به ترتیب با دقت %89 و %79 در سطوح درون و میان آزمودنی امکان‌پذیر می‌سازد. نتایج این پژوهش نوید دهندۀ امکان به کارگیری حسگرهای اینرسیایی در پیش‌بینی پیوستۀ نیروی تماسی مفصل زانو در حین زندگی روزمره و فعالیت‌های ورزشی بی‌نیاز از تجهیزات گران قیمت آزمایشگاهی و دانش تخصصی است.
پردازش تصاویر پزشکی
حمید ابریشمی مقدم؛ علیرضا شیخ حسنی؛ عباس مصطفی؛ معصومه گیتی؛ پرویز عبدالمالکی
دوره -1، شماره 2 ، بهمن 1383، ، صفحه 117-128
چکیده
در این مقاله، یک سیستم CAD به منظور شناسایی و تشخیص خوشه های میکروکلسیفیکاسیون در تصاویر ماموگرافی معرفی شده است. الگوریتم معرفی شده مرکب از سه مرحله اساسی است. در مرحله اول، تبدیل موجک روی تصاویر ماموگرافی اعمال شده و دو ضریب موجک به همراه دو ویژگی آماری به عنوان ویژگی های متمایز کننده پیکسل ها از نظر تعلق به یک دانه میکروکلسیفیکاسیون ...
بیشتر
در این مقاله، یک سیستم CAD به منظور شناسایی و تشخیص خوشه های میکروکلسیفیکاسیون در تصاویر ماموگرافی معرفی شده است. الگوریتم معرفی شده مرکب از سه مرحله اساسی است. در مرحله اول، تبدیل موجک روی تصاویر ماموگرافی اعمال شده و دو ضریب موجک به همراه دو ویژگی آماری به عنوان ویژگی های متمایز کننده پیکسل ها از نظر تعلق به یک دانه میکروکلسیفیکاسیون استخراج می گردد. سپس با استفاده از یک شبکه عصبی، دسته بندی اولیه پیکسل ها انجام می شود. در مرحله دوم الگوریتم، پس از حذف پیکسل های نویزی حاصل از مرحله اول، اجسام باقیمانده از نظر مطابقت با یک دانه میکروکلسیفیکاسیون مورد بررسی قرار می گیرد. به این منظور، از 18 ویژگی تعریف شده برای هر دانه میکروکلسیفیکاسیون، و یک دسته بندی کننده غیرخطی استفاده شده و دانه های میکروکلسیفیکاسیون با دقت خوبی شناسایی می شود. برای آموزش این دسته بندی کننده، از 16 ناحیه حاوی میکروکلسیفیکاسیون های بدست آمده از تصاویر پایگاه داده ای که مجموعا شامل 379 میکروکلسیفیکاسیون بودند استفاده شده است. در مرحله سوم، با استفاده از 5 ویژگی مربوط به خوشه های میکروکلسیفیکاسیون و یک شبکه عصبی، در مورد بدخیمی خوشه های میکروکلسیفیکاسیون قضاوت به عمل می آید. برای آموزش این شبکه عصبی از 22 خوشه که از 14 خوشه خوش خیم و 8 خوشه بدخیم تشکیل شده بودند استفاده شد. برای سنجش کارآیی سیستم نیز 22 خوشه دیگر که در مرحله آموزش از آنها استفاده نشده بود و شامل 10 خوشه خوش خیم و 12 خوشه بد خیم بودند، به سیستم اعمال شد. با اعمال تصاویر فوق، این سیستم در مقدار آستانه 0.45 مقدار حساسیت 100% و مقدار خصوصیت 91.6% از خود نشان داد. با توجه به این مقادیر می توان قابلیت مناسب الگوریتم ایجاد شده را تایید نمود.
