مجله انفورماتیک سلامت و زیست پزشکی
دوره 12، شماره 4 - ( 12-1404 )
جلد 12 شماره 4 صفحات 333-315 |
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:
Ahmadi Rad Z, Gheyoumi Zadeh H, Fayazi A, Rezaee K. Integration of Image and Tabular Data in a Siamese Network for Diabetic Patient Classification Using Thermography: A Multimodal EfficientNetB3-Based Approach. jhbmi 2026; 12 (4) :315-333
URL: http://jhbmi.ir/article-1-953-fa.html
URL: http://jhbmi.ir/article-1-953-fa.html
احمدی راد زهرا، قیومی زاده حسین، فیاضی علی، رضایی خسرو. ادغام دادههای تصویری و جدولی در یک مدل سیامی برای طبقهبندی بیماران دیابتی با استفاده از ترموگرافی: یک رویکرد چندوجهی مبتنی بر EfficientNetB3. مجله انفورماتیک سلامت و زیست پزشکی. 1404; 12 (4) :315-333
دکترای مهندسی پزشکی، دانشیار، گروه مهندسی برق، دانشکده فنی و مهندسی ، دانشگاه ولی عصر (عج) رفسنجان، رفسنجان، ایران
چکیده: (863 مشاهده)
مقدمه: پای دیابتی یکی از مهمترین عوارض مزمن دیابت است که در صورت عدم تشخیص بهموقع، میتواند به زخمهای مزمن و حتی قطع عضو منجر شود. تشخیص زودهنگام این عارضه، بهویژه از طریق روشهای غیرتهاجمی نظیر ترموگرافی، نقش کلیدی در پیشگیری از عوارض جدی دارد. با این حال، روشهای سنتی مبتنی بر آستانه یا تحلیلهای آماری، در شناسایی تغییرات حرارتی ظریف و نامتقارن میان دو پا کارایی کافی ندارند. پژوهش حاضر با هدف طراحی یک سامانه هوشمند برای تشخیص پای دیابتی، مبتنی بر تصاویر ترموگرافی و دادههای عددی همراه، انجام شده است.
روش کار: در این مطالعه، از پایگاه داده Plantar Thermogram Database شامل ۱۶۷ نمونه استفاده شد که به سه مجموعه آموزش (۱۱۶ نمونه)، اعتبارسنجی (۲۵ نمونه) و آزمون (۲۶ نمونه) تقسیم گردید. معماری سیامی چندوجهی مبتنی بر EfficientNetB3 طراحی شد که دو تصویر ترموگرافی پای چپ و راست را بهطور همزمان پردازش میکند. خروجی دو شاخه سیامی، پس از استخراج ویژگی، بهوسیله عملیات تفاضل قدرمطلق (∣L−R∣) و ضربعنصری (L⊙R) ترکیب شده و سپس با دادههای عددی نرمالسازیشده ادغام میگردد. پیادهسازی مدل در بستر TensorFlow و Keras انجام شد و برای مقابله با عدمتوازن دادهها، از وزندهی کلاسها در تابع زیان استفاده گردید.
یافته ها: مدل پیشنهادی در مجموعه آزمون با دقت کلی 96/15%، حساسیت 95% و ویژگی ۱۰۰% به عملکرد بالینی مطلوبی دست یافت. همچنین مقادیر دقت (Precision) برابر 100%، ارزش اخباری منفی (NPV) برابر 85/71%، نمره F1 برابر 97/44% و دقت متوازن (Balanced Accuracy) برابر 97/5% بهدست آمد. نتایج آموزش نشان داد که مدل بدون بروز بیشبرازش، به سرعت همگرا شده و عملکردی پایدار بر روی دادههای نادیده ارائه میدهد.
نتیجهگیری: این نتایج نشان میدهند که معماری سیامی پیشنهادی، با بهرهگیری همزمان از دادههای تصویری و عددی، میتواند بهعنوان یک روش غیرتهاجمی، سریع و دقیق برای غربالگری و پایش بیماران دیابتی مورد استفاده قرار گیرد و زمینه توسعه سامانههای بالینی تشخیص زودهنگام پای دیابتی را فراهم آورد.
روش کار: در این مطالعه، از پایگاه داده Plantar Thermogram Database شامل ۱۶۷ نمونه استفاده شد که به سه مجموعه آموزش (۱۱۶ نمونه)، اعتبارسنجی (۲۵ نمونه) و آزمون (۲۶ نمونه) تقسیم گردید. معماری سیامی چندوجهی مبتنی بر EfficientNetB3 طراحی شد که دو تصویر ترموگرافی پای چپ و راست را بهطور همزمان پردازش میکند. خروجی دو شاخه سیامی، پس از استخراج ویژگی، بهوسیله عملیات تفاضل قدرمطلق (∣L−R∣) و ضربعنصری (L⊙R) ترکیب شده و سپس با دادههای عددی نرمالسازیشده ادغام میگردد. پیادهسازی مدل در بستر TensorFlow و Keras انجام شد و برای مقابله با عدمتوازن دادهها، از وزندهی کلاسها در تابع زیان استفاده گردید.
یافته ها: مدل پیشنهادی در مجموعه آزمون با دقت کلی 96/15%، حساسیت 95% و ویژگی ۱۰۰% به عملکرد بالینی مطلوبی دست یافت. همچنین مقادیر دقت (Precision) برابر 100%، ارزش اخباری منفی (NPV) برابر 85/71%، نمره F1 برابر 97/44% و دقت متوازن (Balanced Accuracy) برابر 97/5% بهدست آمد. نتایج آموزش نشان داد که مدل بدون بروز بیشبرازش، به سرعت همگرا شده و عملکردی پایدار بر روی دادههای نادیده ارائه میدهد.
نتیجهگیری: این نتایج نشان میدهند که معماری سیامی پیشنهادی، با بهرهگیری همزمان از دادههای تصویری و عددی، میتواند بهعنوان یک روش غیرتهاجمی، سریع و دقیق برای غربالگری و پایش بیماران دیابتی مورد استفاده قرار گیرد و زمینه توسعه سامانههای بالینی تشخیص زودهنگام پای دیابتی را فراهم آورد.
واژههای کلیدی: پای دیابتی، ترموگرافی، معماری سیامی، دادههای چندوجهی، تشخیص زودهنگام، EfficientNetB3
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1404/6/27 | پذیرش: 1404/11/26
دریافت: 1404/6/27 | پذیرش: 1404/11/26
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |