جستجو در مقالات منتشر شده


۷ نتیجه برای یادگیری عمیق
تشخیص حرکات مچ دست از روی سیگنال الکترومایوگرام با استفاده از شبکه عصبی کانولوشنال
علی عامری،
دوره ۷۷، شماره ۷ - ( ۷-۱۳۹۸ )
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 ۷۸، شماره ۳ - ( ۳-۱۳۹۹ )
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 ۱۰۰۰۰ training images, (HAM۱۰۰۰۰)، 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., ۲۰۱۲) 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 ۷۸، شماره ۴ - ( ۴-۱۳۹۹ )
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 ۱۳۹۸ در دانشگاه علوم پزشکی شهید بهشتی انجام شد، از مجموعه تصاویر درماسکوپی Human against machine with ۱۰۰۰۰ training images (HAM۱۰۰۰۰)، تعداد ۳۲۷ تصویر AKIEC، ۵۱۳ تصویر BCC و ۸۴۰ تصویر کراتوسیس خوش‌خیم (Benign keratosis, BK) استخراج گردید. از هر کدام از این سه نوع داده، ۹۰% 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., ۲۰۱۲) 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 ۹۰%(Accuracy)  در طبقه‌بندی (Classification) تصاویر به دو کلاس خوش‌خیم و بدخیم دست یافت. همچنین مساحت زیر منحنی Receiver operating characteristic (ROC) ۰,۹۷، حساسیت ۹۴% (Sensitivity) و اختصاصیت ۸۶% (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 ۷۹، شماره ۵ - ( ۵-۱۴۰۰ )
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 ۲۰۱۸ با استفاده از شبکه U-Net دو بعدی
زهرا پاپی، ایرج عابدی، فاطمه دالوند، علیرضا عموحیدری،
دوره ۸۰، شماره ۴ - ( ۴-۱۴۰۱ )
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 ۱۳۹۹ تا شهریور ۱۴۰۰ و بر روی تصاویر مولتی مدالیتی MRI ۲۸۵ بیمار مبتلا به تومور گلیوما از پایگاه داده BraTS ۲۰۱۸ 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 ۲۱۰، ۷۵ و ۲۲۰ بیمار انجام شد.
یافته‌ها: مدل پیشنهادی نتایج ضریب دایس در مجموعه داده‌های HGG، ۸۵/۰، ۸۵/۰، ۷۷/۰، مجموعه داده‌های LGG، ۸۰/۰، ۶۶/۰، ۵۱/۰ و ترکیب دو گروه، ۸۸/۰، ۷۹/۰، ۷۷/۰ 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 ۸۰، شماره ۱۰ - ( ۱۰-۱۴۰۱ )
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 ۱۳۹۸ تا تیر ۱۴۰۱ 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 ۹ 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 ۵۳/۹۲%، 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 ۸۲، شماره ۲ - ( ۲-۱۴۰۳ )
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 ۱۴۰۲ تا اسفند ۱۴۰۲ در دانشکده پزشکی دانشگاه علوم پزشکی شهیدبهشتی انجام شده است، وجود اختلال افسردگی عمده در ۵۸ مراجعه‌کننده به کلینیک روانپزشکی با استفاده از مصاحبه حضوری با روانپزشک متخصص بررسی شد و ۳۰ 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 ۳/۹۲%، ۲/۸۳% و ۲/۹۲% می‌باشد. همچنین مدل EEGNet با حساسیت ۹/۹۸% و ویژگی ۱/۷۹% 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.
 
صفحه ۱ از ۱     

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

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2025 , Tehran University of Medical Sciences, CC BY-NC 4.0

Designed & Developed by : Yektaweb