Journal of Health and Biomedical Informatics

fa تشخیص ناهنجاری کف پا با استفاده از یادگیری عمیق بهبود یافته Planter Deformity Detection Using Improved Deep Learning Model هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article <div style="text-align: justify;">مقدمه:  صافی کف پا و دیگر ناهنجاری‌های ساختاری کف پا از عوامل اصلی در بروز اختلالات اسکلتی–عضلانی به شمار می‌آیند و می‌توانند کیفیت زندگی افراد را به‌طور چشمگیری کاهش دهند. تشخیص زودهنگام این مشکلات نقش مهمی در پیشگیری از پیشرفت عوارض و انتخاب روش‌های درمانی مناسب ایفا می‌کند. در سال‌های اخیر، استفاده از روش‌های مبتنی بر یادگیری عمیق در حوزه بیومکانیک و مهندسی پزشکی رشد قابل توجهی داشته است. این روش‌ها با بهره‌گیری از قابلیت‌های تحلیل خودکار داده‌های تصویری و بالینی، امکان ارائه مدل‌های دقیق‌تر و کاربردی‌تر را فراهم می‌سازند. پژوهش حاضر با هدف ارائه مدلی نوین برای تشخیص ناهنجاری‌های کف پا طراحی و پیاده‌سازی شده است که هم‌زمان به تحلیل ابعاد ساختاری، زاویه‌ای و فشاری کف پا می‌پردازد. روش کار: در این مطالعه تصاویر کف پای افراد سالم و دارای ناهنجاری گردآوری و به‌عنوان داده ورودی به سیستم پردازش داده ارائه شد. ابتدا ناحیه قوس کف پا با بهره‌گیری از تکنیک‌های پیشرفته سگمنت‌بندی، استخراج گردید. سپس خروجی این مرحله به مدل YOLO بهبودیافته همراه با مکانیزم توجه CBAM وارد شد تا فرآیند شناسایی ناهنجاری‌ها با دقت و تمرکز بیشتری بر نواحی بحرانی انجام پذیرد. علاوه بر آن، به منظور تحلیل جامع‌تر، زوایای کف پا از تصاویر محاسبه شد و با الگوی توزیع فشار در کف پا ترکیب گردید تا یک نمایه چندوجهی از وضعیت کف پا حاصل شود. یافته‌ها: نتایج حاصل از ارزیابی مدل بر روی داده‌های آزمایشی نشان داد که روش پیشنهادی توانست به دقت 95/14 درصد در شناسایی ناهنجاری‌های کف پا دست یابد. مقایسه عملکرد مدل با روش‌های مرسوم و رقیب حاکی از آن بود که مدل ارائه‌شده نه‌تنها در سطح دقت، بلکه در سرعت پردازش و قابلیت تمرکز بر نواحی حساس کف پا نیز عملکرد بهتری ارائه کرده است. ترکیب اطلاعات زاویه‌ای و فشار در کنار تصاویر سگمنت‌بندی‌شده، موجب افزایش قابل توجه توان مدل در شناسایی انواع ناهنجاری‌ها گردید. نتیجه‌گیری: مدل معرفی‌شده با ساختاری ساده و در عین حال کارآمد، قابلیت شناسایی ناهنجاری‌های کف پا را با دقت بالا فراهم می‌سازد. این رویکرد می‌تواند به‌عنوان ابزاری ارزشمند در غربالگری‌های پزشکی، طراحی کفی‌های طبی و پایش روند درمان بیماران به کار گرفته شود. همچنین با توجه به سهولت پیاده‌سازی و سرعت پردازش، امکان استفاده از این مدل در محیط‌های بالینی و مراکز توانبخشی وجود دارد. بدین ترتیب، پژوهش حاضر می‌تواند زمینه‌ساز توسعه سامانه‌های هوشمندتر در حوزه سلامت دیجیتال و پزشکی پیش‌بینانه باشد.</div> <div style="text-align: justify;">Introduction: Flatfoot and other structural deformities of the foot are major causes of musculoskeletal disorders that can significantly impair quality of life. Early detection of these abnormalities is crucial for preventing the progression of complications and selecting appropriate treatment strategies. In recent years, the application of deep learning methods in biomechanics and medical informatics has gained significant momentum, providing powerful tools for the automated and accurate analysis of medical imaging data.  This study aims to develop a novel deep learning-based model for detecting foot abnormalities, addressing structural, angular, and plantar pressure aspects simultaneously. Method: Foot images from both healthy subjects and individuals with abnormalities were collected and preprocessed. Initially, the arch region of the foot was segmented using advanced segmentation techniques. The segmented images were then passed to an enhanced YOLO architecture integrated with the Convolutional Block Attention Module (CBAM), enabling the network to focus more effectively on critical regions. Additionally, angular measurements of the foot were extracted and combined with plantar pressure distribution data to achieve a more comprehensive assessment of foot abnormalities. Results: Experimental evaluations demonstrated that the proposed model achieved an accuracy of 95.14% in detecting foot abnormalities. Comparative analyses with other state-of-the-art methods revealed that the developed approach outperformed competing techniques, not only in classification accuracy but also in computational efficiency and its ability to focus on clinically relevant regions of the foot. The integration of angular and pressure-related features with segmented image data significantly enhanced the system's robustness and precision in identifying various types of abnormalities. Conclusion: The proposed model, with its relatively simple yet effective architecture, provides a reliable solution for the accurate identification of foot abnormalities. This approach can be applied in medical screening, orthopedic insole design, and patient monitoring during rehabilitation. Furthermore, given its computational efficiency and ease of deployment, the model can be integrated into clinical environments and rehabilitation centers. Overall, this research contributes to the advancement of intelligent systems in digital health and predictive medicine.</div> ناهنجاری کف پا, فشار صافی پا, یادگیری عمیق, مدل YOLO , مکانیزم توجه CBAM Plantar deformity, Flatfoot pressure, Deep learning, YOLO model, CBAM attention mechanism 189 203 http://jhbmi.ir/browse.php?a_code=A-10-1178-2&slc_lang=fa&sid=1 Raheleh Khaleghizadeh راحله خالقی زاده rkhz@alborzq.ac.ir 100319475328460010573 100319475328460010573 No Ph.D. Student, Department of Computer Engineering, Ra.C., Islamic Azad University, Rasht, Iran دانشجوی دکتری، گروه کامپیوتر، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران Sara Motamed سارا معتمد motamed.sarah@gmail.com 100319475328460010574 100319475328460010574 Yes Assistant Professor, Department of Computer Engineering, FSh.C., Islamic Azad University, Fouman, Iran استادیار، گروه کامپیوتر، واحد فومن و شفت، دانشگاه آزاد اسلامی، فومن، ایران Elham Askari الهام عسکری askary.elham@iau.ac.ir 100319475328460010575 100319475328460010575 No Assistant Professor, Department of Computer Engineering, FSh.C., Islamic Azad University, Fouman, Iran استادیار، گروه کامپیوتر، واحد فومن و شفت، دانشگاه آزاد اسلامی، فومن، ایران