6 نتیجه برای شالباف
ساناز جعفری، احمد شالباف، جمی اسلی،
دوره 78، شماره 6 - ( شهریور 1399 )
چکیده
زمینه و هدف: اطمینان از کافی بودن عمق بیهوشی به هنگام عمل جراحی امری ضروری برای متخصصین بیهوشی، به‌منظور پیشگیری از احتمال بروز حالاتی چون هشیاری ناخواسته در حین عمل جراحی و یا عدم بازگشت بیمار به هشیاری می‌باشد. مطالعه حاضر با هدف تعیین عمق بیهوشی براساس سیگنال الکتروانسفالوگرم با استفاده از روش‌های موثر ارتباطات مغزی بین نواحی فرونتال و تمپورال انجام شده است.
روش بررسی: در این پژوهش که از اردیبهشت تا دی ۱۳۹۷ در تهران به طول انجامیده است، از سیگنال الکتروانسفالوگرافی هشت نفر از بیماران بیمارستان وایکاتو نیوزلند (Waikato District Health Board, Hamilton, New Zealand) که تحت بیهوشی پروپوفول قرار گرفته بودند، استفاده شده است. در این مطالعه، ارتباطات مغزی موثر در نواحی فرونتال و تمپورال مغز با استفاده از روش‌های مختلف علیت گرنجر (Granger-Geweke causality, GGC) استخراج گردیده است. استخراج شاخص‌های ارتباط موثر در سه حالت (بیداری، بیهوشی و ریکاوری) محاسبه گردیده و سپس در انتها از شبکه عصبی پرسپترون (Perceptron neural network) به‌منظور طبقه‌بندی اتوماتیک فازهای بیهوشی استفاده شده است.
یافته‌ها: نتایج برای کلیه دادگان نشان می‌دهد که روش تابع انتقال جهت‌دار شده به‌دلیل واکنش سریع‌تر در هنگام دریافت دارو، تغییرات کم و توانایی بهتر در تشخیص اتوماتیک سه حالت بیهوشی در هنگام استفاده از شبکه عصبی مصنوعی، بهتر از شاخص BIS به‌عنوان مرجع حال حاضر تعیین عمق بیهوشی در استفاده‌های کلینیکال عمل می‌کند.
نتیجه‌گیری: تابع انتقال جهت‌دار می‌تواند اثر داروی پروپوفول را به‌طور موثر دنبال کند و حالت‌های بیهوشی را نسبت به سایر شاخص‌های ارتباطات موثر به‌خوبی تخمین بزند. همچنین این روش بهتر از شاخص BIS به‌عنوان یک مانیتور تجاری عمق بیهوشی عمل کرد.
امیرحسین جلال‌زاده، احمد شالباف، آرش مقصودی،
دوره 78، شماره 10 - ( دی 1399 )
چکیده
زمینه و هدف: جراحی و برداشت دقیق تومور مغز در اتاق عمل و پس از باز کردن کاسه سر، به‌علت برداشته شدن فشار جمجمه و جابجایی و تغییر شکل بافت مغز یکی از چالش‌های اصلی جراحان مغز و اعصاب می‌باشد.
روش بررسی: این مطالعه تحلیلی که از فروردین تا دی ۱۳۹8 در تهران انجام شده است، بر روی یک دیتابیس شامل تصاویر MR پیش از عمل و تصویر اولتراسوند پس از برداشتن کاسه سر ۲2 بیمار دارای تومور گلیوما درجه پایین در بیمارستان دانشگاه سنت اولوو انجام شده است. برای جبران تغییرات مغز از روش تطبیق تصاویر MR پیش از عمل و تصویر اولتراسوند استفاده کرده و تصویر سومی به‌دست آورده که شبیه به تصویر MR پیش از عمل است ولی هندسه تغییرات شکل مغز از تصاویر اولتراسوند پس از برداشتن تومور را دارد. برای جابجایی پیکسل‌ها، از ترکیب دو مدل افاین (Affine) برای جبران تغییرات سراسری و افزایش سرعت و مدل غیرصلب Free form deformation (FFD) برای تغییرات محلی و کوچک غیرخطی به‌صورت سلسله مراتبی بهره بردیم. همچنین از روش اطلاعات متقابل به‌عنوان معیار شباهت استفاده کردیم.
یافته‌ها: نتایج روش پیشنهادی بر روی تصاویر ۲2 بیمار دارای تومور گلیوما نوع ۲ ارایه شده و علاوه بر بررسی خطای نشانگرها (15 نشانگر برای هر بیمار)، براساس معیار شباهت اطلاعات متقابل نیز مورد ارزیابی قرار گرفت که نشان داد روش پیشنهادی با استفاده از ترکیب دو مدل افاین و FFD دقت بالایی را در مقایسه با استفاده جداگانه از هر کدام از این دو مدل به‌دست آورد.
نتیجه‌گیری: روش پیشنهادی در تطبیق تصاویر MR پیش از عمل و تصویر اولتراسوند پس از برداشتن کاسه سر موجب کاهش میزان خطای نشانگرهای تهیه شده توسط مختصص می‌شود.
امیر رضا نادری یاقوتی، احمد شالباف، آرش مقصودی،
دوره 79، شماره 1 - ( فروردین 1400 )
چکیده
زمینه و هدف: تشخیص دقیق و به‌هنگام بیماری کبدچرب غیرالکلی که عامل اصلی بیماری‌های مزمن کبد است، بسیار مهم می‌باشد. سونوگرافی از کبد متداول‌ترین روش تشخیص میزان کبدچرب می‌باشد. اما به دلیل کیفیت پایین تصاویر اولتراسوند، نیاز به روش‌های هوش مصنوعی برای تشخیص دقیق میزان چربی کبدی، ضروری می‌باشد. هدف این مقاله توسعه یک مدل یادگیری ماشین برای ارزیابی سطح چربی کبد براساس تصاویر التراسوند کبد می‌باشد.
روش بررسی: در این مطالعه تحلیلی که از اردیبهشت 1399 تا آذر 1399 در تهران به طول انجامیده است، از تصاویر اولتراسوند 55 فرد مبتلا به چاقی مفرط که قصد جراحی لاپاروسکوپی داشته‌اند، استفاده شده و از نتیجه بافت‌شناسی نمونه برداشتی از کبد در آزمایشگاه به‌عنوان مرجع میزان چربی کبد استفاده شده است. ابتدا 88 ویژگی مبتنی‌بر بافت با استفاده از ماتریس هم‌رخداد سطح خاکستری از تصاویر استخراج شده است. در مرحله‌ی بعد با استفاده از روش حداقل افزونگی و حداکثر ارتباط 20 ویژگی برتر از میان 88 ویژگی انتخاب شده و به ورودی طبقه بند اعمال شده است. در انتها با استفاده از سه طبقه‌بند آنالیز افتراقی خطی، ماشین بردار پشتیبان و آدابوست، تصاویر به چهار گروه براساس میزان چربی طبقه‌بندی شده‌اند.
یافته‌ها: صحت به‌دست آمده در این مدل، برای طبقه‌بند آدابوست برابر با 72/92% شد. در‌حالی‌که صحت به‌دست آمده برای هر دو طبقه‌بند ماشین بردار پشتیبان و آنالیز افتراقی خطی به‌ترتیب برابر با 88/87% و 76/75% شده‌‌است.
نتیجه‌گیری: رویکرد پیشنهادی مبتنی‌بر ویژگی‌های بافت با استفاده از طبقه‌بند آدابوست از روی تصاویر التراسوند، میزان چربی کبد را با دقت بالا و به‌صورت اتوماتیک تشخیص می‌دهد و می‌تواند در تشخیص نهایی به پزشکان و رادیولوژیست‌ها کمک شایانی کند.
حسن محمدی کیانی، احمد شالباف، آرش مقصودی،
دوره 79، شماره 2 - ( اردیبهشت 1400 )
چکیده
زمینه و هدف: تشخیص زودهنگام بیماران در مراحل اولیه آلزایمر که به‌عنوان اختلال شناختی خفیف نامیده می‌شود یک موضوع مهم در درمان و یا به تعویق انداختن ابتلا به آلزایمر می‌باشد. در این مطالعه قصد داریم از روی دادگان تصویربرداری عملکردی تشدید مغناطیسی (fMRI) در حال استراحت، افراد دچار بیماری اختلال شناختی خفیف را از افراد سالم تفکیک کنیم.
روش بررسی: در این پژوهش که از اردیبهشت تا آذر 1399 در تهران انجام شد، پس از انجام پیش‌پردازش دادگان fMRI، با استفاده از اطلس برچسب‌گذاری خودکار آناتومیکی، 116 ناحیه مغزی تفکیک شدند. سپس، ماتریس ارتباط عملکردی این نواحی با استفاده از روش‌های همبستگی پیرسون و اطلاعات متقابل محاسبه شدند. در ادامه، شبکه گراف مغزی تشکیل شده و یال‌های معنادار و قوی حفظ شدند. در انتها 11 ویژگی سراسری از شبکه گراف استخراج شده و پس از انجام آنالیزهای آماری و انتخاب ویژگی‌های موثر، طبقه‌بندی 14 فرد سالم و 11 بیمار دارای اختلال شناختی خفیف با استفاده از طبقه‌بند ماشین‌بردار پشتیبان انجام شد.
یافته‌ها: محاسبات انجام شده نشان داد که روش اطلاعات متقابل و پنج ویژگی سراسری از شبکه گراف با نام‌های میانگین قدرت، دوری از مرکز، بهره‌وری محلی، ضریب خوشه‌بندی و انتقال‌پذیری با استفاده از طبقه‌بند ماشین‌بردار پشتیبان دارای بهترین جواب با صحت 84%، حساسیت 86% و اختصاصیت 93% می‌باشد.
نتیجه‌گیری: ترکیب ویژگی‌های گراف مغزی و ارتباطات عملکردی، براساس تجزیه و تحلیل دادگان fMRI می‌تواند افراد با اختلال‌شناختی خفیف را با دقت بالایی تفکیک نماید.
سارا باقرزاده، آرش مقصودی، احمد شالباف،
دوره 79، شماره 10 - ( دی 1400 )
چکیده
زمینه و هدف: اسکیزوفرنی یک اختلال روانی است و به شدت بر ادراک و روابط فردی تأثیر می‌گذارد. در حال حاضر تشخیص این بیماری با استفاده از تست‌های شناختی توسط روانپزشک انجام می‌شود که به شدت به تجربه و دانش وی وابسته است. هدف از این مطالعه طراحی یک چارچوب کاملاً خودکار برای تشخیص اسکیزوفرنی از روی سیگنال الکتروانسفالوگرام با استفاده از ارتباطات موثر مغزی و روش‌های یادگیری عمیق است.
روش بررسی: در این مطالعه تحلیلی که از فروردین تا مهر 1400 در تهران به طول انجامیده است، سیگنال‌های الکتروانسفالوگرام 19 کاناله از 14 بیمار مبتلا به اسکیزوفرنی و 14 فرد سالم ثبت و پیش‌پردازش شده است. سپس، معیار ارتباطات موثر با استفاده از روش آنتروپی انتقالی، از سیگنال‌های الکتروانسفالوگرام تخمین زده شده و یک ماتریس ارتباطات نامتقارن 19×19 ساخته شده و با یک نقشه رنگی به‌عنوان یک تصویر نشان داده می‌شود. سپس این تصاویر ارتباطات موثر به‌عنوان ورودی پنج شبکه عصبی کانولوشنی الکس‌نت، رزنت-50، شافل‌نت، اینسپشن و ایکسپشن برای تشخیص بیماران اسکیزوفرنی استفاده می‌شوند.
یافته‌ها: نتایج مطالعه نشان داده است، بالاترین میانگین صحت و نمره F برای طبقه‌بندی دو کلاس اسکیزوفرنی و سالم با استفاده از تصاویر مذکور از مدل شبکه اینسپشن، با مقادیر به‌ترتیب برابر با 52/96% و 89/95% در ارزیابی مستقل از فرد و 51/98% و 51/98% در ارزیابی متقابل با 10 دسته به‌دست آمده است.
نتیجه‌گیری: با اتکا به نتایج به‌دست آمده، مدل جدید ارایه شده می‌تواند کمک شایانی به روانپزشکان در تشخیص دقیق افراد اسکیزوفرنیا داشته باشد و احتمال خطا و بدنبال آن درمان نامناسب را کاهش دهد.
احمد شالباف، نسرین امینی، هادی چوبدار، مهدی مهدوی، عاطفه عابدینی، رضا لشگری،
دوره 79، شماره 12 - ( اسفند 1400 )
چکیده
زمینه و هدف: پیش‌بینی زودهنگام وضعیت بیماران مبتلا به کووید 19 می‌تواند با تخصیص منابع و برنامه‌ریزی درمانی، خطر مرگ‌ومیر را در این بیماران کاهش دهد. این مطالعه یک سیستم دقیق و سریع برای پیش‌بینی مرگ‌ومیر بیماران با استفاده از ویژگی‌های دموگرافی، علایم حیاتی و داده‌های آزمایشگاهی معرفی می‌کند.
روش بررسی: در این مطالعه تحلیلی که از اردیبهشت 1399 تا خرداد 1400 در تهران انجام شده است، 41 ویژگی از 244 بیمار مبتلا به کووید 19 در اولین روز بستری شدن در بیمارستان ثبت شد. این ویژگی‌ها به هشت گروه مختلف به نام‌های ویژگی‌های دموگرافی و علایم حیاتی، شش گروه مختلف آزمایش خون شامل تست‌های شمارش کامل سلول‌های خون، انعقادی، کلیه، کبد، گاز خون و ویژگی‌های عمومی طبقه‌بندی شدند. در این مطالعه، ابتدا اهمیت هر یک از ویژگی‌های استخراج شده و سپس هشت گروه از ویژگی‌ها برای پیش‌بینی مرگ‌ومیر بیماران مبتلا به کووید 19 به‌طور جداگانه بررسی شده‌اند. در نهایت، بهترین ترکیب گروه‌های مختلف ویژگی‌ها ارزیابی شدند.
یافته‌ها: نتایج نشان داد که ترکیب ویژگی‌ها در گروه شمارش کامل سلول‌های خون دارای بالاترین AUC با مقدار 57/95 است. افزون‌براین، ترکیب سه گانه ویژگی‌ها در علایم حیاتی، شمارش کامل خون و انعقادی دارای بالاترین AUC با ارزش 54/96 است.
نتیجه‌گیری: سیستم پیشنهادی ما می‌تواند به‌عنوان یک ابزار قابل‌قبول برای غربالگری بیماران مبتلا به کووید 19 با خطرات مرگ‌ومیر بالا مورد استفاده قرار گیرد.
