دوره 11، شماره 4 - ( 12-1403 )                   جلد 11 شماره 4 صفحات 347-336 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Zavar M, Ghaffari H R, Tabatabaee H. Enhancing HIFU Lesion Area Detection through Supervised and Contrastive Self-Supervised Learning with Wavelet-Based Feature Extraction and Hard Negatives (HWCSSL). jhbmi 2025; 11 (4) :336-347
URL: http://jhbmi.ir/article-1-897-fa.html
زوار متینه، غفاری حمیدرضا، طباطبایی حمید. بهبود تشخیص ناحیه جراحت HIFU از طریق یادگیری نظارت‌شده و خودنظارتی متضاد با استخراج ویژگی مبتنی بر موجک و نمونه‌های منفی سخت (HWCSSL). مجله انفورماتیک سلامت و زیست پزشکی. 1403; 11 (4) :336-347

URL: http://jhbmi.ir/article-1-897-fa.html


گروه مهندسی کامپیوتر، واحد فردوس، دانشگاه آزاد اسلامی، فردوس، ایران.
چکیده:   (1993 مشاهده)
مقدمه: هوش مصنوعی با بهره‌گیری از الگوریتم‌های یادگیری ماشین، حوزه‌های مختلف از جمله طبقه‌بندی، تشخیص و پیش‌بینی را متحول کرده است که هدف آن ارتقای کیفیت زندگی و خدمات می‌باشد. روش‌های سنتی مبتنی بر ویژگی‌های دستی، در وظایف پیچیده مانند تشخیص پزشکی با محدودیت‌هایی مواجه هستند، از جمله ناتوانی در استخراج بهینه ویژگی‌ها و حساسیت به نویز. پیشرفت شبکه‌های عصبی عمیق با توانایی استخراج خودکار ویژگی‌ها، تحلیل داده‌ها را متحول کرده است. این مطالعه از این قابلیت برای تشخیص جراحت ناشی از اولتراسوند متمرکز با شدت بالا (HIFU)  استفاده می‌کند، تکنیکی که برای درمان سرطان و کنترل خونریزی توسعه یافته است. رویکرد پیشنهادی مبتنی بر یادگیری نظارت‌شده و خودنظارتی است که با استفاده از داده‌های برچسب‌دار و بدون برچسب، دقت تشخیص را بهبود می‌بخشد.
روش کار: چالش اصلی روش‌های سنتی، استخراج بهینه ویژگی‌ها و بهینه‌سازی فراپارامترهاست. در این پژوهش، روشی نوآورانه با ترکیب یادگیری نظارت‌شده، خودنظارتی متضاد توسعه داده شد. این روش از سیگنال‌های RF و تصاویر B-mode به‌عنوان ورودی استفاده می‌کند و داده‌های برچسب‌دار و بدون برچسب را به‌صورت همزمان پردازش می‌کند. همچنین، تکنیک‌های افزایش داده مانند تبدیل‌های موجک و نمونه‌های منفی سخت به کار گرفته شدند و بهینه‌سازی مدل با استفاده از الگوریتم‌های پیشرفته و تنظیم دقیق فراپارامترها انجام شد تا عملکرد مدل در شرایط پیچیده تقویت شود. این رویکرد امکان تحلیل هم‌زمان داده‌های چندگانه را فراهم کرد و به افزایش دقت تشخیصی کمک نمود.
یافته‌ها: مدل پیشنهادی بهبود قابل‌توجهی در طبقه‌بندی جراحت HIFU نشان داد. معیارهای ارزیابی شامل دقت، صحت، یادآوری و امتیاز F1، کارایی مدل در تمایز بین بافت‌های سالم و آسیب‌دیده را تأیید کردند. ترکیب سیگنال و تصویر به بهبود چشمگیر عملکرد مدل منجر شد. استفاده از یادگیری خودنظارتی و تبدیل‌های موجک، توانایی مدل در استخراج ویژگی‌ها, را تقویت کرد و دقت تشخیصی را افزایش داد.
نتیجه‌گیری: این مطالعه چارچوبی دقیق برای تشخیص جراحت HIFU با استفاده از یادگیری خودنظارتی ارائه کرد که امکان استخراج اطلاعات ارزشمند از داده‌های بدون برچسب را فراهم نمود و دقت تشخیصی را به‌طور قابل‌توجهی بهبود بخشید. این روش با غلبه بر چالش‌های تصویربرداری پزشکی، به‌ویژه در درمان‌های غیرتهاجمی، کاربردهای بالینی را تقویت می‌کند که می‌تواند به‌عنوان پایه‌ای برای توسعه ابزارهای تشخیصی پیشرفته‌تر در آینده عمل کند.
متن کامل [PDF 1521 kb]   (193 دریافت)    
نوع مطالعه: پژوهشي اصیل | موضوع مقاله: هوش مصنوعی در حوزه سلامت
دریافت: 1403/8/12 | پذیرش: 1403/10/5

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله انفورماتیک سلامت و زیست پزشکی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2025 CC BY-NC 4.0 | Journal of Health and Biomedical Informatics

Designed & Developed by : Yektaweb