fa طراحی روشی کارآمد در فشرده سازی چند مرحله‌ای تصاویر ماموگرافی جهت ذخیره سازی و انتقال بهینه بر مبنای شبکه‌های عصبی مصنوعی و الگوریتم L-M مدیریت فناوری اطلاعات و مدارک پزشکی در بیمارستان مدیریت فناوری اطلاعات و مدارک پزشکی در بیمارستان مقاله ی اصیل Original Article <p dir="RTL"><strong>زمینه و هدف: </strong>در فرایند پزشکی از راه دور (<span dir="LTR">Telemedicine</span>)، استفاده از تکنیک&shy;های دیجیتالی در تشخیص بیماری&shy;ها سبب شده تا پزشکان جهت آرشیو و نگهداری اطلاعات بیماران به منابع ذخیره&shy;سازی و نیز پهنای باند بالا در انتقال داده&shy;ها نیاز پیدا کنند.</p> <p dir="RTL"><strong>مواد و روشها:</strong>هدف از ارائه این مقاله، معرفی یک شیوه کارآمد در فشرده&shy;سازی چند مرحله&shy;ای اطلاعات مربوط به تصاویر ماموگرافی بر اساس شبکه&shy;های عصبی مصنوعی و الگوریتم <span dir="LTR">L-M</span> بود. در ابتدا تصویر ماموگرافی با ورود به شبکه عصبی، این امکان را خواهد داشت که با کمترین میزان تخریب و درجه فشردگی بالا در لایه نخست فشرده شود.</p> <p dir="RTL"><strong>نتایج:</strong>پیاده سازی مراحل فشرده&shy;سازی تصاویر ماموگرافی با استفاده از تصاویر&nbsp; 128 زن با سنین 55/6&plusmn;41/46 سال و شاخص توده بدنی 5/5&plusmn;78/36 از سطح 3 کلینیک&shy; تخصصی از شهر سبزوار صورت گرفت . مشاهده شد که به ترتیب متوسط مجذورات خطا برابر (<span dir="LTR">MSE</span>) 24/4، بیشترین نسبت تفاوت برابر 46/33 و نسبت فشرده سازی 8:1 در خروجی الگوریتم حاصل آمدند؛ عملکرد قابل قبول سیستم بر اساس طراحی دقیق نرم افزاری بوده و به همین دلیل کارایی مناسبی را در عمل به همراه داشت.</p> <p><strong><span dir="RTL">نتیجه&shy;گیری</span></strong><span dir="RTL">: بر مبنای قابلیت اطمینان به خروجی نرم افزار در فشرده&shy;سازی و انتشار و به دلیل عدم تخریب اطلاعات اساسی تصاویر ماموگرافی در زمان فشرده شدن، تشخیص در مرحله اکتشاف با تشخیص در واقعیت مطابقت بالایی دارد و از این رو سیستم امکان پیاده&shy;سازی را در مراکز بیمارستانی در آرشیو تصاویر ماموگرافی داراست و کاربرد آن را توجیه می&shy;کند.&nbsp;&nbsp;</span></p> <p><strong>Background:</strong> In the telemedicine process, using digital techniques in disease diagnosis caused to have felt needs of archiving and storing patient information and high bandwidth in data transfer.</p> <p></p> <p><strong>Methods</strong>: This study aimed at introducing an efficient way of multi-stage compression of mammographic image data based LM algorithm and artificial neural networks. At First, data derived from mammographic images given to multi-layer neural network has achieved the possibility of forming with minimum damage and&nbsp; high degree of compaction in the first layer.</p> <p></p> <p><strong>Results</strong>: The compression process of the mammography images was implemented using images of 128 women aged 46.41&plusmn;6.55 yrs with BMI 36.78 &plusmn;5.5 from three specialized clinics in Sabzevar. The analysis yielded a mean square error (MSE) of 4.24 with the highest difference ratio of 33.46 and compression ratio of 8: 1in the output of the algorithm. The system performance based on the accurate design of the software was acceptable therefore; it demonstrated high efficiency in practice.&nbsp;</p> <p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</p> <p><strong>Conclusion</strong>: The diagnosis in the discovery stage is highly consistent with the diagnosis in real based on reliability of software output in the compression and release, and considering the fact of mammographic images are not completely degraded during compression; therefore, this system has the capacity to be implemented achieving mammography images in hospitals and justify its application.</p> سرطان, پستان نگاری, پردازش تصویر, فشرده سازی تصویر و شبکه های عصبی Cancer, Breast prints, Image processing, Image compression and neural networks 9 21 http://jhosp.tums.ac.ir/browse.php?a_code=A-10-459-1&slc_lang=fa&sid=1 بهاره نصرتی نیا No دانشکده مهندسی برق و کامپیوتر دانشگاه حکیم سبزواری جواد حدادنیا Haddadnia@hsu.ac.ir Yes گروه مهندسی پزشکی دانشگاه حکیم سبزواری