دوره 11، شماره 1 - ( 3-1403 )
جلد 11 شماره 1 صفحات 59-43 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Oviesi S, Tarokh M J, Momeni M K. Automatic Diagnosis of Pulmonary Emphysema Using Optimized Unet-based Deep Neural Network. jhbmi 2024; 11 (1) :43-59
URL: http://jhbmi.ir/article-1-841-fa.html
URL: http://jhbmi.ir/article-1-841-fa.html
اویسی صفورا، تارخ محمدجعفر، مومنی محمد کاظم. تشخیص خودکار آمفیزم ریوی با استفاده از شبکه عصبی عمیق مبتنی بر Unet بهینه‌سازی شده. مجله انفورماتیک سلامت و زیست پزشکی. 1403; 11 (1) :43-59
دانشجوی دکتری مهندسی فناوری اطلاعات، دانشکده صنایع،گروه مهندسی فناوری اطلاعات،دانشگاه خواجه نصیرالدین طوسی، تهران، ایران
چکیده: (412 مشاهده)
مقدمه: یکی از بیماری‌های ریوی که معمولاً تا سنین بالا ناشناخته می‌ماند و درمان قطعی ندارد، آمفیزم ریوی است که تشخیص سریع این بیماری به افراد درگیر در این بیماری کمک زیادی می‌کند و از رشد توده‌های آمفیزم جلوگیری می‌کند. این تحقیق سعی در تشخیص زودهنگام این بیماری به کمک روش‌های یادگیری عمیق دارد.
روش کار: این تحقیق با کمک شبکه عصبی Unet بهینه‌سازی شده با الگوریتم فراابتکاری GPC، سعی در تشخیص سریع‌تر این بیماری دارد. داده‌های این پژوهش از بیمارستان‌های امام علی و بوعلی سینا شهرستان زاهدان استان سیستان و بلوچستان جمع‌آوری شده است. داده‌ها شامل 300 قطعه با آمفیزم شامل 65 مورد CLE ، 97 مورد PSE و 138 مورد PLE و 45 مورد داده نرمال است. این داده‌ها توسط شبکه عصبی عمیق Unet و با الگوریتم بهینه‌سازی GPC مورد بررسی قرار گرفتند و در نهایت به کمک معیارهای accuracy،recall، Specificity و F-measure با سایر روش‌های انجام شده مورد مقایسه و بررسی قرار گرفتند.
یافته‌ها: در این پژوهش معیارهای به کاررفته به ترتیب با دقت 18/97، پیش‌بینی40/98، حساسیت 23/48 و امتیاز f 97/50، نتایج بسیار بهتری در مقایسه با سایر روش‌های تشخیص آمفیزم به کمک شبکه Unet بهینه شده داشته است که نشان از تشخیص سریع‌تر و دقیق‌تر و اثر بخش‌تر این بیماری به کمک روش پیشنهادی دارد.
نتیجه‌گیری: استفاده از روش‌های درست یادگیری عمیق در ترکیب با الگوریتم‌های بهینه‌سازی قوی می‌تواند درمان سریع تر و دقیق تر بیماری‌ها را امکان پذیر سازد.
روش کار: این تحقیق با کمک شبکه عصبی Unet بهینه‌سازی شده با الگوریتم فراابتکاری GPC، سعی در تشخیص سریع‌تر این بیماری دارد. داده‌های این پژوهش از بیمارستان‌های امام علی و بوعلی سینا شهرستان زاهدان استان سیستان و بلوچستان جمع‌آوری شده است. داده‌ها شامل 300 قطعه با آمفیزم شامل 65 مورد CLE ، 97 مورد PSE و 138 مورد PLE و 45 مورد داده نرمال است. این داده‌ها توسط شبکه عصبی عمیق Unet و با الگوریتم بهینه‌سازی GPC مورد بررسی قرار گرفتند و در نهایت به کمک معیارهای accuracy،recall، Specificity و F-measure با سایر روش‌های انجام شده مورد مقایسه و بررسی قرار گرفتند.
یافته‌ها: در این پژوهش معیارهای به کاررفته به ترتیب با دقت 18/97، پیش‌بینی40/98، حساسیت 23/48 و امتیاز f 97/50، نتایج بسیار بهتری در مقایسه با سایر روش‌های تشخیص آمفیزم به کمک شبکه Unet بهینه شده داشته است که نشان از تشخیص سریع‌تر و دقیق‌تر و اثر بخش‌تر این بیماری به کمک روش پیشنهادی دارد.
نتیجه‌گیری: استفاده از روش‌های درست یادگیری عمیق در ترکیب با الگوریتم‌های بهینه‌سازی قوی می‌تواند درمان سریع تر و دقیق تر بیماری‌ها را امکان پذیر سازد.
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1402/10/27 | پذیرش: 1403/3/9
دریافت: 1402/10/27 | پذیرش: 1403/3/9
فایل صوتی [MP3 2854 KB] (22 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
