مجله انفورماتیک سلامت و زیست پزشکی

مقدمه: سرطان اولیه کبد HCC)) پنجمین سرطان شایع در دنیا و سومین عامل مرگ و میر در جهان می­باشد. علائم سرطان کبد پس از بروز به سرعت پیشرفت کرده و در صورت عدم تشخیص به موقع متأسفانه بقای عمر بیمار بسیار کم می­ گردد. یکی از مشکلات اصلی پیش روی متخصصین گوارش، پیش بینی و تشخیص زود هنگام سرطان کبد است. داده کاوی از روش­هایی است که در این زمینه  مورد استفاده واقع می­ گردد. هدف از انجام این مطالعه معرفی بهترین مدل هوشمند مبتنی بر داده کاوی برای پیش­ بینی و تشخیص سرطان کبد در مراحل اولیه می­باشد.

روش: در مقاله حاضر با استفاده از روش مطالعه گذشته نگر، پرونده ۵۱۶ بیمار مبتلا به سرطان کبد اولیه و ثانویه و ۲۲ ریسک فاکتور، از هر بیمار، مورد بررسی قرار گرفت. داده ­های جمع ­آوری شده با استفاده از ۵ مدل داده کاویVFI Classifier ،Regression Classifier ،HyperPipes Classifier ، Functional trees with logistic regression  و  Meta Muti Class Classifier تحلیل شدند. این مدل­ها با  یکدیگر مقایسه شدند.

نتایج: دقت، ویژگی، حساسیت و سطح زیر منحنی  Rocمـدل VFI Classifier به تـرتیب  ۷۱/۲۹%،  ۴۹%،  ۵۰% و ۶۳/۳۱% می­ باشد و  این مدل به عنوان بهترین مدل هوشمند مبتنی برداده کاوی برای پیش بینی و تشخیص سرطان کبد در مراحل اولیه شناخته شد.

نتیجه ­گیری: در صورتی که مدل داده­ کاوی VFI Classifier به صورت صحیح طراحی شود، می­تواند سرطان کبد را پیش بینی نماید یا آن را در مراحل اولیه تشخیص دهد.

مقدمه: ارتقاء کیفیت تصویر یکی از روش‌های پردازش تصویر است به طوری که  هر چه تصویر خروجی دارای کیفیت نمایش بالاتری باشد. تصاویر پزشکی نقش برجسته‌ای در تشخیص مدرن دارند، در نتیجه هدف از این مطالعه بهبود وضوح تصاویر پزشکی به منظور کمک به رادیولوژیست‌ها و جراحان در پیدا کردن ناحیه‌های ناهنجار است.

روش: روش‌های استفاده شده در این مطالعه به منظور ارتقاء تصاویر پزشکی به دو دسته تنظیم شدت نور و حذف نویز دسته‌بندی می‌گردد. روش‌های مبتنی بر تنظم شدت نور، شامل تکنیک‌هایی برای نگاشت مقادیر شدت نور تصویر به دامنه جدید می‌باشد. دسته دوم، شامل روش‌هایی برای حذف نویز تصویر می‌باشند. در این مقاله از هر دو دسته برای ارتقاء تصاویر پزشکی استفاده شده است. تصاویر پزشکی استفاده شده شامل تصاویر ستون فقرات، مغز، ریه و ماموگرافی پستان می باشد.

نتایج: نتایج حاصل از به کار بستن روش‌های استفاده شده بر روی تصاویر پزشکی بر اساس پنج معیار تعداد لبه‌های آشکارسازی، PCNR، اندیس کیفیت تصویر، AMBE و ارزیابی کیفیت بصری مورد مقایسه قرار گرفت که تصاویر ستون فقرات، مغز، ریه و ماموگرافی پستان در بهترین حالت به ترتیب دارای تعداد لبه‌های آشکاری‌سازی ۶۴۶۵، ۱۰۳۰۵، ۱۶۲۶۶و ۱۳۵۰۹ می‌باشد.

نتیجه‌گیری: نتایج نشان می‌دهد که برخی معیار‌هایی چون تعداد لبه‌های آشکار‌سازی و ارزیابی کیفیت بصری بهترین روش‌های مبتنی بر شدت نور می‌باشند و عملکرد بهتری دارند اما معیار‌هایی مانند PCNR، اندیس کیفیت تصویر، AMBE روش‌های مبتنی بر حذف نویز نتایج بهتری را نشان دادند.