جستجو در مقالات منتشر شده


9 نتیجه برای یادگیری عمیق
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.

تشخیص ملانوما با یک مدل یادگیری عمیق
علی عامری،
دوره 78، شماره 3 - ( 3-1399 )
چکیده
زمینه و هدف: سرطان پوست یکی از شایعترین سرطان‌ها و ملانوما (Melanoma) کشنده‌ترین نوع سرطان پوست می‌باشد. خال ملانوسیتیک (Melanocytic nevi) و ملانوما هر دو از ملانوسایت‌ها (سلول‌های تولیدکننده رنگدانه) به‌وجود می‌آیند، اما خال ملانوسیتیک خوش‌خیم و ملانوما بدخیم هستند. این مقاله یک مدل یادگیری عمیق (Deep learning) برای طبقه‌بندی (Classification) این دو ضایعه پوستی ارایه می‌کند.
روش بررسی: در این مطالعه تحلیلی که در بهمن ۱۳۹۸ در دانشگاه علوم پزشکی شهید بهشتی انجام شد، از مجموعه داده عکس‌های درماسکوپی Human against machine with 10000 training images, (HAM10000)، هزار تصویر خال ملانوسیتیک و هزار تصویر ملانوما استخراج گردید. از هر مورد، ۹۰۰ تصویر به شکل تصادفی برای آموزش سیستم انتخاب شدند و ۱۰۰ تصویر باقیمانده برای تست اختصاص داده شد. یک مدل یادگیری عمیق شبکه عصبی کانولوشنال (Convolutional neural network)، با استفاده از AlexNet (Krizhevsky et al., 2012) به‌عنوان مدل از پیش ‌آموزش دیده شده (Pretrained)، به‌کارگرفته شد. در ابتدا این شبکه با ۱۸۰۰ تصویر آموزش داده شد و سپس عملکرد آن بر روی ۲۰۰ تصویر ارزیابی گردید.
یافته‌ها: مدل پیشنهادی به دقت ۹۳% (Accuracy) در طبقه‌بندی تصاویر به دو کلاس خوش‌خیم و بدخیم دست یافت. همچنین مساحت زیر منحنی Receiver operating characteristic (ROC)، ۹۸/۰، حساسیت ۹۴% (Sensitivity) و اختصاصیت ۹۲% (Specificity) به‌دست آمد. همچنین با تنظیم پارامتر آستانه طبقه‌بندی مدل، امکان افزایش حساسیت، به قیمت کاهش اختصاصیت وجود دارد و بالعکس.
نتیجه‌گیری: با توجه به دشواری تشخیص ملانوما حتی برای متخصصین با تجربه، یافته‌های این مطالعه، توانایی بالای یادگیری عمیق را در تشخیص سرطان پوست نشان می‌دهد.

تشخیص سرطان پوست غیرملانومی با شبکه عصبی Convolutional
علی عامری،
دوره 78، شماره 4 - ( 4-1399 )
چکیده
زمینه و هدف: شایعترین انواع سرطان پوست غیرملانومی، سرطان‌های سلول پایه‌ای (Basal cell carcinoma, BCC) و سلول اسکواموس (Squamous cell carcinoma, SCC) می‌باشند. Actinic keratoses (Solar keratoses) و Intraepithelial carcinoma (Bowen’s disease) که به‌طور مخفف از آن‌ها با نام AKIEC یاد می‌کنیم، پیش‌زمینه‌های SCC هستند. از آن‌جا که تشخیص زودهنگام، تاثیر بسزایی در درمان سرطان دارد، این مطالعه یک مدل مبتنی بر کامپیوتر برای تشخیص این سرطان معرفی می‌کند.
روش بررسی: در این مطالعه تحلیلی که در بهمن 1398 در دانشگاه علوم پزشکی شهید بهشتی انجام شد، از مجموعه تصاویر درماسکوپی Human against machine with 10000 training images (HAM10000)، تعداد 327 تصویر AKIEC، 513 تصویر BCC و 840 تصویر کراتوسیس خوش‌خیم (Benign keratosis, BK) استخراج گردید. از هر کدام از این سه نوع داده، 90% تصاویر بطور تصادفی به‌عنوان داده آموزشی انتخاب و مابقی به‌عنوان داده تست لحاظ شدند. از یک مدل یادگیری عمیق شبکه عصبی کانولوشنال (Deep learning convolutional neural network)، با استفاده از شبکه AlexNet (Krizhevsky, et al., 2012) به‌عنوان شبکه از پیش‌آموزش (Pretrained) داده شده برای تشخیص سرطان استفاده شد. پس از آموزش شبکه بر روی داده آموزشی، عملکرد آن بر روی داده تست، ارزیابی گردید.
یافته‌ها: مدل یادگیری عمیق پیشنهادی به دقت 90%(Accuracy)  در طبقه‌بندی (Classification) تصاویر به دو کلاس خوش‌خیم و بدخیم دست یافت. همچنین مساحت زیر منحنی Receiver operating characteristic (ROC) 0.97، حساسیت 94% (Sensitivity) و اختصاصیت 86% (specificity) به‌دست آمد.   
نتیجه‌گیری: این یافته‌ها نشان می‌دهد که مدل‌های یادگیری عمیق می‌توانند به دقت بالایی در تشخیص سرطان غیرملانومی پوست دست یابند.
مروری بر سیستم‌های یادگیری عمیق کمک‌یار ماموگرافی: مقاله مروری
علی عامری، محمود شیری، معصومه گیتی، محمد علی اخایی،
دوره 79، شماره 5 - ( 5-1400 )
چکیده
سرطان پستان یکی از شایع‌ترین سرطان‌ها در زنان است. ماموگرافی غربال‌گری یک روش تصویربرداری اشعه ایکس با دوز پایین است که برای تشخیص سرطان پستان در مراحل اولیه به‌کار می‌رود. برای کمک به رادیولوژیست در خواندن ماموگرام سیستم‌های کمک‌یار (CAD) ساخته شده‌اند که نرم‌افزارهایی هستند که می‌توانند نواحی سرطانی را در ماموگرام تشخیص دهند. با پیشرفت‌های نرم‌افزاری و سخت‌افزاری اخیر که منجر به تکامل الگوریتم‌های یادگیری عمیق (DL) گردیده، انقلابی در رشته‌های مختلف مهندسی و همچنین فناوری‌های پزشکی به‌وجود آمده است. اخیرا، مدل‌های DL در سیستم‌های کمک‌یار ماموگرافی مورد استفاده قرار گرفته‌اند و به عملکرد بالایی دست پیدا کرده‌اند. روش‌های DL برخلاف روش‌های سنتی یادگیری ماشین، نیازی به فرایند مشکل و زمان‌بر مهندسی ویژگی‌ها ندارند و می‌توانند به‌طور خودکار، ویژگی‌های مورد نیاز را از روی تصویر یاد گرفته و استخراج کنند. یکی از پرکاربردترین الگوریتم‌های DL، شبکه عصبی کانولوشنال (CNN) می‌باشد. برای تشخیص ضایعات سرطانی در ماموگرام، CNN باید در یک الگوریتم مبتنی بر ناحیه مانند R-CNN، Fast R-CNN، Faster R-CNN و YOLO به‌کار گرفته شود. برای آموزش مدل‌های DL، نیاز به حجم زیادی از تصاویر ماموگرافی است که ضایعات سرطانی در آن‌ها توسط یک رادیولوژیست مجرب، مشخص شده باشند. به همین دلیل، تهیه و جمع‌آوری یک مجموعه داده بزرگ ماموگرافی مارک شده، برای ساخت یک سیستم کمک‌یار با دقت بالا، ضروری می‌باشد. این مقاله با هدف گردآوری وضعیت بهره‌مندی و پیشرفت‌های تکنولوژی یادگیری عمیق در سیستم‌های کمک‌یار ماموگرافی نوشته شده است.
قطعه‌بندی خودکار تومورهای گلیوما از مجموعه داده چالش BraTS 2018 با استفاده از شبکه U-Net دو بعدی
زهرا پاپی، ایرج عابدی، فاطمه دالوند، علیرضا عموحیدری،
دوره 80، شماره 4 - ( 4-1401 )
چکیده
زمینه و هدف: گلیوما (Glioma) متداول‌ترین تومور مغزی اولیه بوده و تشخیص به موقع تومور در برنامه‌ریزی درمان بیماران حایز اهمیت است. قطعه‌بندی دقیق تومور و نواحی داخلی آن در تصاویر تشدید مغناطیسی (Magnetic resonance imaging) توسط رادیولوژیست به‌عنوان گام اول در تشخیص می‌باشد که افزون‌بر زمان‌بر بودن ممکن است توسط پزشکان مختلف تشخیص‌های متفاوتی داده شود. هدف از انجام مطالعه حاضر ارایه روشی خودکار در قطعه‌بندی تومور و نواحی داخلی آن می‌باشد.
روش بررسی: این یک مطالعه بنیادی-کاربردی است که از اردیبهشت 1399 تا شهریور 1400 و بر روی تصاویر مولتی مدالیتی MRI ۲۸۵ بیمار مبتلا به تومور گلیوما از پایگاه داده BraTS 2018 انجام گرفت. در این مطالعه، معماری U-Net دو بعدی با روش مبتنی بر تکه (Patch-based)، شامل یک مسیر رمزگذاری جهت استخراج ویژگی‌ها و یک مسیر رمزگشایی متقارن طراحی گردید. آموزش این شبکه در سه مرحله مجزا با استفاده از داده‌های گلیوما درجه بالا (High grade glioma)، گلیوما درجه پایین (Low grade glioma) و ترکیب دو گروه به‌ترتیب با تعداد 210، 75 و 220 بیمار انجام شد.
یافته‌ها: مدل پیشنهادی نتایج ضریب دایس در مجموعه داده‌های HGG، 85/0، 85/0، 77/0، مجموعه داده‌های LGG، 80/0، 66/0، 51/0 و ترکیب دو گروه، 88/0، 79/0، 77/0 به‌ترتیب برای نواحی کل تومور، هسته تومور و ناحیه افزایش‌یافته در داده‌های آموزش برآورد نمود.
نتیجه‌گیری: با استفاده از شبکه U-Net می‌توان در قطعه‌بندی دقیق تومور و نواحی مختلف آن کمک شایانی به پزشکان انجام داد، همچنین با تشخیص دقیق و درمان زودهنگام نرخ بقای این بیماران را افزایش داد و کیفیت زندگی آنها را بهبود بخشید.
 
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.
 
تشخیص اختلال افسردگی عمده با استفاده از روش‌های هوش مصنوعی مبتنی بر سیگنال الکتروانسفالوگرام
محسن سادات شهابی، احمد شالباف،
دوره 82، شماره 2 - ( 2-1403 )
چکیده
زمینه و هدف: اختلال افسردگی عمده یکی از شایعترین و ناتوان‌کننده‌ترین اختلالات روانی می‌باشد. باتوجه به کاهش کیفیت زندگی این بیماران و ماهیت پیش‌رونده این بیماری‌ها، تشخیص به هنگام و درمان موثر این بیماری روانی ضروری می‌باشد. در این پژوهش از سیگنال‌های مغزی افراد برای تشخیص دقیق ابتلا به اختلال افسردگی عمده با استفاده از روش‌های هوش مصنوعی استفاده می‌شود.
روش بررسی: در این مطالعه تحلیلی که از شهریور 1402 تا اسفند 1402 در دانشکده پزشکی دانشگاه علوم پزشکی شهیدبهشتی انجام شده است، وجود اختلال افسردگی عمده در 58 مراجعه‌کننده به کلینیک روانپزشکی با استفاده از مصاحبه حضوری با روانپزشک متخصص بررسی شد و 30 نفر با اختلال افسردگی عمده تشخیص داده شدند. سیگنال مغزی الکتروانسفالوگرام از این افراد ثبت شده و پس از پیش‌پردازش و تمیز شدن سیگنال به‌عنوان ورودی به مدل‌های هوش مصنوعی داده شد. مدل‌های هوش مصنوعی EEGNet، ShallowConvNet و DeepConvNet که مبتنی بر مدل‌های یادگیری عمیق کانولوشنی توسعه یافتند، برای دسته‌بندی سیگنال‌های مغزی افراد سالم و افسرده استفاده شدند. دقت دسته‌بندی این مدل‌ها روی داده تست جداگانه گزارش شده است.
یافته‌ها: دقت تفکیک سیگنال مغزی افراد سالم و افسرده توسط مدل‌های EEGNet، ShallowConvNet و DeepConvNet به‌ترتیب برابر 3/92%، 2/83% و 2/92% می‌باشد. همچنین مدل EEGNet با حساسیت 9/98% و ویژگی 1/79% بهترین عملکرد را در میان مدل‌های بررسی شده داشته است.
نتیجه‌گیری: دسته‌بندی افراد افسرده و سالم از روی سیگنال EEG با دقت بالا و به‌صورت تعمیم‌پذیر امکان‌پذیر است و مدل‌های هوش مصنوعی پیشنهاد شده می‌توانند در کلینیک‌های روانپزشکی به‌عنوان ابزارهای کمک تشخیصی مورد استفاده قرار گیرند.
 
نقش هوش مصنوعی در بیماری گلوکوم: یک مقاله مروری
زکیه واحدیان اردکانی، مهران زارعی قنواتی، حمید ریاضی اصفهانی، سید مهدی طباطبائی، محمد رضا مهرابی بهار، صادق غفاریان، احمد معصومی،
دوره 83، شماره 1 - ( 1-1404 )
چکیده
هوش مصنوعی به‌عنوان ابزاری تحول‌آفرین در حوزه مراقبت‌های بهداشتی شناخته شده است و چشم‌پزشکی به دلیل وجود تصویربرداری‌های متنوع یکی از پیشروترین رشته‌ها در بهره‌گیری از این فناوری محسوب می‌شود. در میان بیماری‌های چشمی، گلوکوم به‌دلیل ماهیت مزمن و پیشرونده‌ و نیز نیاز به ارزیابی‌های ساختاری و عملکردی پیچیده، بستری مناسب برای توسعه و به‌کارگیری ابزارهای مبتنی بر هوش مصنوعی فراهم کرده است. در این مقاله مروری، جدیدترین کاربردهای هوش مصنوعی در حوزه گلوکوم با تمرکز بر جنبه‌های تشخیص، پایش روند پیشرفت بیماری، و کمک به تصمیم‌گیری‌های بالینی بررسی شده است. الگوریتم‌های مبتنی بر یادگیری ماشین و یادگیری عمیق توانسته‌اند با دقت بالایی داده‌های حاصل از تصویربرداری فوندوس، Optical Coherence و آزمون‌های میدان بینایی را تحلیل کرده و تغییرات مرتبط با گلوکوم را تشخیص دهند. این فناوری‌ها علاوه‌بر افزایش دقت تشخیص، می‌توانند ابزارهایی موثر برای غربالگری در مقیاس وسیع، به‌ویژه در مناطق با دسترسی محدود به متخصصان چشم‌پزشکی باشند. همچنین، استفاده از مدل‌های هوش مصنوعی در ردیابی تغییرات تدریجی ساختاری یا عملکردی چشم، امکان پیش‌بینی خطر پیشرفت بیماری و شخصی‌سازی برنامه درمانی را فراهم می‌سازد. با وجود این پیشرفت‌ها، چالش‌هایی همچون عدم‌تعمیم‌پذیری مدل‌ها به جمعیت‌ها و دستگاه‌های مختلف، کمبود داده‌های با کیفیت و قابل‌اعتماد و عدم‌شفافیت در فرآیند تصمیم‌گیری الگوریتم‌ها (پدیده جعبه سیاه) همچنان مانع از پذیرش گسترده این فناوری در عمل بالینی شده‌اند. این مقاله با مرور انتقادی بر دستاوردها و محدودیت‌های فعلی، مسیرهایی برای تحقیقات آینده و اجرای موثر و اخلاق‌مدار هوش مصنوعی در مراقبت از بیماران مبتلابه گلوکوم پیشنهاد می‌دهد.
 
تحلیل سیگنال‎های الکتروکاردیوگرام قلب انسان با استفاده از تکنیک یادگیری ماشین
حسین اخوان، فاطمه رضائی،
دوره 83، شماره 3 - ( 3-1404 )
چکیده
زمینه و هدف: الکتروکاردیوگرام روشی غیرتهاجمی برای دریافت سیگنال‎های قلب است. با وجود پیشرفت در روش‎های عکس‌برداری، الکتروکاردیوگرام هنوز نقش مهمی در تشخیص بیماری‎های قلبی ایفا می‎کند. تحلیل سیگنال‌های الکتروکاردیوگرام نقش مهمی در شناسایی زودهنگام بیماری‌های قلبی نظیر آریتمی‌ها و سکته‌های قلبی دارد. امروزه با پیشرفت علم و فناوری، روش‎های رایانه‎ای بیش از پیش مورد توجه پزشکان قرار گرفته‎اند. در این مطالعه، از روش‌های یادگیری ماشین برای دسته‌بندی ضربان‌های قلبی طبیعی و غیرطبیعی استفاده شده است.
روش بررسی: داده‌های مورد بررسی از مجموعه ‌داده‌ای تحت عنوان Heartbeat که در سایت کگل منتشر شده، استخراج شده‌اند. این مجموعه شامل نمونه‌هایی از سیگنال‎های صوتی می‎باشد که به دو دسته سالم و ناسالم تقسیم می‎شوند. در ابتدا، داده‌ها مورد پیش‌پردازش قرار گرفتند و نرمال‌سازی شدند تا برای ورود به مدل آماده شوند. سپس، ویژگی‌های زمانی و فرکانسی از سیگنال‌ها استخراج گردیده است. در ادامه، یک مدل ترکیبی شامل لایه‌های کانولوشنی یک‌بعدی طراحی و آموزش داده شده است. همچنین، با بهره‌گیری از روش توقف زودهنگام، از بیش‌برازش جلوگیری شد و پایداری مدل بهبود یافت.
یافته‌ها: در این پژوهش نشان داده شد که با بهره‎گیری از یادگیری عمیق به ویژه استفاده از CNN و Conv 1D به دقت 99% و زیان 0350/0 برای داده‎های تست در تشخیص ضربان‎های قلب طبیعی و غیرطبیعی می‌توان رسید. این مدل توانایی تحلیل ساختارهای پیچیده و دینامیک زمانی سیگنال‌های ECG را داشته است و قادر است الگوهای مرتبط با اختلالات قلبی را تشخیص دهد.
نتیجه‌گیری: امروزه الکتروکاردیوگرام بیش از پیش مورد توجه قرار گرفته است. انتخاب مناسب مدل، استانداردسازی داده‎ها و گستره کیفی داده‎ها از عوامل دقت بالا در این پژوهش است. این پژوهش می‌تواند گامی موثر در توسعه سامانه‌های هوشمند تشخیص اختلالات قلبی باشد و در کاربردهای پزشکی، به‌ویژه در حوزه پایش مستمر بیماران، مورد استفاده قرار گیرد.
 
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