جستجو در مقالات منتشر شده


6 نتیجه برای طبقه‌بندی
نقص حافظه طبقه‌بندی معنایی در مولتیپل اسکلروزیس
سیداحمدرضا خاتون‌آبادی، حمدرضا هادیان، مجید غفارپور، کریما کهلویی، اکبر حسن‌زاده،
دوره 66، شماره 10 - ( 10-1387 )
چکیده

Normal 0 false false false EN-US X-NONE AR-SA MicrosoftInternetExplorer4 زمینه و هدف: نتایج مطالعات مختلف نشان داده است 45 تا 65 درصد بیماران مبتلا به مولتیپل اسکلروزیس از انواع اختلالات شناختی رنج می‌برند. یکی از مؤلفه‌های شناختی، حافظه معنایی است که از عوامل ضروری در برقراری ارتباط مؤثر روزمره است. در تحقیق حاضر حافظه طبقه‌بندی معنایی برای بررسی سازماندهی معنایی در افراد سالم و بیماران مبتلا به مولتیپل اسکلروزیس مورد مطالعه قرار گرفت.

روش بررسی: در این تحقیق تعداد 90 نفر داوطلب در دو گروه افراد مبتلا به مولتیپل اسکلروزیس و افراد سالم که از نظر سن و جنس و تحصیلات مطابقت داده شدند مورد مطالعه قرار گرفتند. متغیرهای مورد مطالعه شامل زمان و تعداد پاسخ صحیح به اسامی دو طبقه معنایی طبیعی (حیوانات، میوه‌ها) و مصنوعی (اشیاء) بود که در حین نمایش واژه اندازه‌گیری گردید.

یافته‌ها: نتایج نشان داد که بین افراد سالم و مبتلایان به مولتیپل اسکلروزیس در زمان و تعداد پاسخ‌های درست به طبقه‌های معنایی طبیعی و مصنوعی تفاوت معنی‌داری وجود دارد. به‌علاوه، در هر گروه بین زمان و تعداد پاسخ‌های درست به دو طبقه معنایی طبیعی و مصنوعی تفاوت معنی‌داری مشاهده شد.

نتیجه‌گیری: نتایج تحقیق حاضر نشان داد که سازماندهی طبقه‌بندی معنایی به‌صورت طبقه طبیعی (حیوانات، میوه‌ها) و طبقه مصنوعی (اشیاء) در گروه بیماران مولتیپل اسکلروزیس نیز حفظ می‌شود. با وجود این، پردازش مقوله‌های مختلف معنایی (طبیعی و مصنوعی) در بیماران مولتیپل اسکلروزیس و سالم متفاوت می‌باشد. آنالیز داده‌های این مطالعه شواهدی را ارایه می‌دهد که در بیماران مولتیپل اسکلروزیس پردازش حافظه معنایی از نظر زمان پاسخ‌دهی و تعداد پاسخ‌های درست با کندی قابل توجهی نسبت به افراد سالم صورت می‌گیرد.


طبقه‌بندی پتانسیل‌های عمل نرونی با استفاده از شبکه‌های عصبی شعاعی
مصطفی تقوی کنی، امیرهمایون جعفری، علیرضا خوشنویسان، حسین عرب علی بیک، محمدجواد ابوالحسنی،
دوره 68، شماره 11 - ( 11-1389 )
چکیده
زمینه و هدف: اهدافی نظیر مطالعه رفتار جمعیت‌های نرونی، کشف مکانیزم‌های ارتباطی مغز با سایر اندام‌ها، کشف روش‌های درمان بیماری‌های سیستم عصبی و ساخت پروتزهای عصبی مصنوعی، نیازمند به‌کارگیری الگوریتم‌هایی خودکار برای طبقه‌بندی اسپایک‌های نرونی می‌باشند. با این حال به‌دلیل نسبت پایین سیگنال به نویز در اسپایک‌های نرونی، طبقه‌بندی این سیگنال‌ها پروسه‌ای دشوار محسوب می‌شود. در این پژوهش، به‌دنبال طراحی الگوریتمی خودکار، برای طبقه‌بندی اسپایک‌های هم‌شکل ثبت شده از یک ناحیه مشخص از سیستم اعصاب می‌باشیم.

روش بررسی: پروسه طبقه‌بندی اسپایک‌های نرونی، عموماً از سه مرحله آشکارسازی، استخراج ویژگی و طبقه‌بندی تشکیل شده است. در این مقاله ابتدا با به‌کارگیری آماره‌های سیگنال، اسپایک‌ها را از داده خام اولیه جداسازی نمودیم (مرحله آشکارسازی) و در مرحله بعد، با انتخاب تعداد محدودی از اسپایک‌ها به‌عنوان نمونه (ویژگی)، به آموزش یک شبکه عصبی RBF، جهت طبقه‌بندی این سیگنال‌ها پرداختیم. ایده استفاده از شبکه‌های عصبی شعاعی، امکان غلبه بر مشکل عدم تفکیک‌پذیری خطی را که در غالب مسایل طبقه‌بندی سیگنال‌های نرونی وجود دارد، به‌وجود آورده است.

یافته‌ها: الگوریتم ارایه شده، قادر است پس از یادگیری تعداد محدودی اسپایک به‌عنوان نمونه، هر تعداد اسپایک را (از همان مجموعه آموخته شده) طبقه‌بندی نماید. نتایج به‌دست آمده از شبیه‌سازی‌ها نشان می‌دهند که گرچه این الگوریتم Radial Basis Spike Sorter (RBSS) دارای خطای مثبت- کاذبی تقریباً مشابه با سایر الگوریتم‌ها می‌باشد، با این حال در عین سادگی و با حفظ کمترین پیچیدگی محاسباتی، از سرعت نسبتاً بالاتری برخوردار است.

نتیجه‌گیری: الگوریتم طراحی شده، می‌تواند برای اهدافی که در آن‌ها به پردازش و طبقه‌بندی بلادرنگ اسپایک‌ها نیاز است، به‌کار برود.


ارایه مدلی از شبکه‌های عصبی خودسازمان‌ده سلسله مراتبی در جهت تشخیص و طبقه‌بندی ضایعات شبکیه برای درجه‌بندی رتینوپاتی دیابتی
حسین قیومی‌زاده، مصطفی دانائیان، علی فیاضی، فرشاد نامداری، سید محمد مصطفوی اصفهانی،
دوره 76، شماره 1 - ( 1-1397 )
چکیده
زمینه و هدف: دیابت، بیماری شایعی است که با ایجاد عوارض چشمی منجر به کاهش بینایی و کوری می‌گردد. در این پژوهش مدلی از شبکه‌های عصبی خودسازمان‌ده سلسله مراتبی در جهت تشخیص و طبقه‌بندی ضایعات شبکیه (رتینوپاتی دیابتی) ارایه شد.
روش بررسی: نوع مطالعه به‌صورت مقطعی گذشته‌نگر می‌باشد که از دی تا اسفند ۱۳۹۴ در دانشگاه علوم پزشکی ارتش انجام پذیرفت. مطالعه بر روی پایگاه MESSIDOR که شامل ۱۲۰۰ تصویر از قطب خلفی چشم می‌باشد انجام گرفته است. تصاویر شبکیه به سه دسته خفیف، متوسط و شدید طبقه‌بندی شده‌اند. یک سیستم متشکل از یک طبقه‌بندی ترکیبی جدید از Self-organising map (SOM) algorithm برای تشخیص ضایعات شبکیه ارایه شده است. سیستم پیشنهادی شامل پیش‌پردازش سریع، استخراج ویژگی مربوط به ضایعات و در نهایت ارایه مدلی جهت طبقه‌بندی می‌باشد. در پیش‌پردازش، سیستم از سه فرآیند جداسازی اولیه ضایعات هدف، جداسازی دیسک نوری و درنهایت جداسازی عروق خونی از شبیکه تشکیل شده است. گام دوم مجموعه‌ای از ویژگی‌ها بر اساس توصیف‌های مختلف مانند مورفولوژی، رنگ، شدت نور و مومنت‌ها می‌باشند. طبقه‌بندی شامل ارایه یک مدل از شبکه‌های خودسازمان‌ده سلسله مراتبی می‌باشد که جهت تسریع و افزایش دقت در کلاس‌بندی ضایعات با مدنظر قرار دادن حجم بالای داده‌ها در استخراج ویژگی ارایه شده است.
یافته‌ها: میزان حساسیت، ویژگی و دقت به‌دست‌آمده از مدل پیشنهادی برای طبقه‌بندی ضایعات رتینوپاتی دیابتی، به‌ترتیب برابر با ۹۸/۵۱% (CI ۹۵% ۹۹/۵% تا ۹۶%)، ۹۶/۷۷% (CI ۹۵% ۹۷% تا ۹۴%) و ۹۷/۸۷% (CI ۹۵% ۹۸% تا ۹۵%) بود.
نتیجه‌گیری: بر اساس نتایج به‌دست‌آمده، مدل پیشنهادی قادر است ضایعات را در تصاویر رتینوپاتی دیابتی تشخیص و با دقت مناسبی طبقه‌بندی نماید.
​

تشخیص حرکات مچ دست از روی سیگنال الکترومایوگرام با استفاده از شبکه عصبی کانولوشنال
علی عامری،
دوره 77، شماره 7 - ( 7-1398 )
چکیده
زمینه و هدف: با پیشرفت یادگیری عمیق (Deep learning)، انقلاب بزرگی در هوش مصنوعی ایجاد شده که بسیاری از رشته‌ها را به‌شدت تحت تاثیر خود قرار داده است. یادگیری عمیق، پردازش داده‌های خام با ابعاد بالا (مانند سیگنال یا تصویر) را بدون نیاز به مهندسی ویژگی (Feature engineering)، امکان‌پذیر می‌کند. هدف از این پژوهش، توسعه یک سیستم بر پایه یادگیری عمیق، برای تخمین اراده حرکتی از روی سیگنال EMG می‌باشد.
روش بررسی: در این مطالعه، یک سیستم مایوالکتریک (Myoelectric) بر پایه شبکه عصبی کانولوشنال (CNN) (که یک مدل یادگیری عمیق است)، به‌عنوان جایگزینی برای روش‌های معمول طبقه‌بندی (Classification) که نیازمند به مهندسی ویژگی هستند، معرفی شده است. این سیستم برای حرکات انفرادی و ترکیبی مچ دست، بر روی ده شخص سالم، مورد ارزیابی قرار گرفته شد. عملکرد روش پیشنهادی، با یک سیستم استاندارد برپایه Support vector machine (SVM) که از ویژگی‌های حوزه زمانی (Time domain, TD) استفاده می‌کند، مقایسه گردید.
یافته‌ها: باوجود عملکرد ثابت شده و رواج بسیار بالای ویژگی‌های TD، سیستم پیشنهادی به‌دقت طبقه‌بندی مشابهی (۰/۱۹P=) دست یافت. مزیت سیستم پیشنهادی در این است که نیازی به استخراج دستی و مهندسی ویژگی از سیگنال EMG وجود ندارد و CNN به‌صورت خودکار، ویژگی‌های مورد نیاز را فراگرفته و از سیگنال استخراج می‌کند.
نتیجه‌گیری: این یافته‌ها، توانایی بالای CNN، برای یادگیری و استخراج اطلاعات غنی و پیچیده از سیگنال‌های بیولوژیک را نشان می‌دهد. CNN می‌تواند اطلاعات زمانی و فرکانسی مورد نیاز برای تخمین اراده حرکتی را از روی سیگنال EMG فرا بگیرد.

طبقه‌بندی سیگنال‌های مغزی EEG مبتنی بر تصور حرکتی با استفاده از روش‌های یادگیری عمیق
فائزه مقدس، زهرا امینی، راحله کافیه،
دوره 80، شماره 10 - ( 10-1401 )
چکیده
زمینه و هدف: سیستم‌های رابط مغز و رایانه از طریق سیگنال‌های مغزی امکان ارتباط با دنیای بیرون را بدون استفاده از واسطه‌های فیزیولوژیکی برای افراد دارای ناتوانی جسمی فراهم می‌کند. یکی از انواع این سیستم‌ها، سیستم‌های مبتنی بر تصور حرکتی است. از مهمترین بخش‌ها در طراحی این سیستم‌ها، طبقه‌بندی سیگنال‌های مغزی مبتنی بر تصور حرکت به کلاس‌های تصور حرکت به‌منظور تبدیل به فرمان کنترلی است. در این مقاله یک روش نوین طبقه‌بندی سیگنال‌های مغزی مبتنی بر تصور حرکتی با استفاده از روش‌های یادگیری عمیق ارایه شده است.
روش بررسی: این مطالعه مقطعی در دانشکده فناوری‌های نوین پزشکی دانشگاه علوم‌ پزشکی اصفهان از بهمن 1398 تا تیر 1401 انجام شد در بلوک پیش-پردازش قطعه‌بندی سیگنال‌های مغزی، انتخاب کانال‌های مناسب و استفاده از فیلتر باترورث (Butterworth filter)، سپس تبدیل موجک جهت انتقال به حوزه زمان-فرکانس و در قسمت طبقه‌بندی از دو طبقه‌بند شبکه یادگیری عمیق کانولوشنی یک‌بعدی با دو معماری و شبکه یادگیری عمیق کانولوشن دوبعدی با دو معماری با ورودی سه موجک مادر Cmor، Mexicanhat و Cgaus به کار گرفته شده و درنهایت عملکرد شبکه‌ها بررسی شده‌اند.
یافته‌ها: سه کانال برای 9 سوژه موردنظر، به‌عنوان بهترین کانال‌ها انتخاب شدند. همچنین پس از یافتن پارامترهای بهینه در ساختار داده، تبدیل موجک با موجک مادر Cgaus بالاترین درصد را در دو معماری پیشنهاد شده، دارد. صحت 53/92%، بالاترین صحت مربوط به معماری دوم شبکه عصبی کانولوشن دوبعدی پیشنهاد داده شده است.
نتیجه‌گیری: نتایج به‌دست آمده از شبکه‌های پیشنهاد شده، نشان‌دهنده آن است که شبکه‌های یادگیری عمیق مناسب می‌توانند به‌عنوان ابزاری مناسب و دقیق برای طبقه‌بندی دادگان مبتنی بر تصور حرکت مورد استفاده قرار گیرند.
 
بررسی هیستوپاتولوژیک و ایمونوهیستوشیمی تومورهای بدخیم پستان در ایران
سیده حکیمه سجادی، محدثه کریمی،
دوره 82، شماره 12 - ( 12-1403 )
چکیده
زمینه و هدف: سرطان پستان شایعترین بدخیمی در بین زنان در سراسر جهان است و حدود ۱۶% از کل سرطان‌های زنان را شامل می‌شود. با توجه به شیوع بالای این بیماری و اهمیت عوامل پیش‌آگهی در انتخاب درمان مناسب، هدف از مطالعه حاضر بررسی ویژگی‌های هیستوپاتولوژیک و ایمونوهیستوشیمی بیماران مبتلا به تومورهای مهاجم پستان در ایران بود.
روش بررسی:  این مطالعه مقطعی–گذشته‌نگر در بازه زمانی سال‌های ۱۴۰۰ تا ۱۴۰۲ بر روی ۱۱۰ بیمار مراجعه‌کننده به بیمارستان شهید محمدی بندرعباس انجام شد. پس از اعمال معیارهای ورود (زنان بالای ۱۸ سال با سرطان پستان مهاجم) و خروج (نمونه‌های پاتولوژی ناکافی یا کیفیت پایین)، ۱۰ بیمار کنار گذاشته شده و در نهایت ۱۰۰ بیمار وارد مطالعه شدند. داده‌های دموگرافیک، سوابق بالینی و یافته‌های پاتولوژیک از پرونده بیماران و نمونه‌های بافتی جمع‌آوری شد. پردازش نمونه‌ها با روش‌های هماتوکسیلین-ائوزین (H&E) و ایمونوهیستوشیمی (IHC) انجام شد و زیرگروه‌های مولکولار براساس بیان گیرنده‌های ER، PR، HER2 و شاخص Ki-67 تعیین شدند.
یافته‌ها: نتایج نشان داد میانگین سنی بیماران 49/5 سال (دامنه ۲۶ تا ۷۳ سال) بود. در بررسی هیستوپاتولوژیک، کارسینوم داکتال شایع‌ترین نوع با %۸۹ موارد بود. براساس طبقه‌بندی مولکولار، %۶۵ لومینال B، ۹% لومینال A، %۱۱ HER2-enriched و %۱۵ بازال-لایک بودند. همچنین ارتباط معنا‌داری بین گرید تومور و نوع مولکولار مشاهده شد (001/0P=). بیماران لومینال B بیشترین درگیری غدد لنفاوی و بالاترین نسبت تومورهای گرید ۳ را داشتند.
نتیجه‌گیری: این مطالعه نشان داد کارسینوم داکتال و زیرگروه مولکولار لومینال B شایعترین انواع سرطان پستان در این جمعیت هستند. این یافته اهمیت توجه به طبقه‌بندی مولکولار و شاخص‌های پاتولوژیک در تعیین پیش‌آگهی و انتخاب درمان هدفمند را تأیید می‌کند.
 
صفحه 1 از 1     

کلیه حقوق این وب سایت متعلق به مجله دانشکده پزشکی دانشگاه علوم پزشکی تهران می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2026 , Tehran University of Medical Sciences, CC BY-NC 4.0

Designed & Developed by : Yektaweb