Journal of Health and Biomedical Informatics

fa تشخیص خودکار آمفیزم ریوی با استفاده از شبکه عصبی عمیق مبتنی بر Unet بهینه‌سازی شده Automatic Diagnosis of Pulmonary Emphysema Using Optimized Unet-based Deep Neural Network هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article <div style="text-align: justify;">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. </div> <div style="text-align: justify;">Introduction: Pulmonary emphysema is one of the lung diseases that usually remains unknown until old age and does not have a definitive treatment. A quick diagnosis of this disease helps a lot to the people involved in this disease and prevents the growth of emphysema masses. This research tries to in early diagnosis of this disease with the help of deep learning methods. Method: This research tries to diagnose this disease faster with the help of Unet neural network optimized with GPC meta-heuristic algorithm. The data of this research were collected from Imam Ali and Bu Ali Sina hospitals, Zahedan city, Sistan and Baluchistan province. The data include 300 pieces with emphysema, including 65 cases of CLE, 97 cases of PSE, 138 cases of PLE, and 45 cases of normal data. These data were analyzed by Unet deep neural network and GPC optimization algorithm, and finally, with the help of accuracy criteria, recall, specificity, and F-measure were compared and investigated with other methods. Results: In this research, the criteria used have much better results compared to other emphysema diagnosis methods with the help of the optimized Unet network, with accuracy of 18.97, prediction of 40.98, sensitivity of 48.23, and f score of 97.50, respectively, which shows a faster, more accurate, and more effective diagnosis of this disease with the help of the proposed method. Conclusion: Using the right deep learning methods in combination with strong optimization algorithms can enable faster and more accurate treatment of diseases.</div> هوش مصنوعی, شبکه‌های عصبی, آمفیزم ریوی, پردازش تصویر, یادگیری عمیق Artificial intelligence, Neural networks, Pulmonary emphysema, Image processing, Deep Learning 43 59 http://jhbmi.ir/browse.php?a_code=A-10-1074-1&slc_lang=fa&sid=1 Safura Oviesi صفورا اویسی s.oviesi@email.kntu.ac.ir 10031947532846009922 10031947532846009922 Yes Ph.D. Student, Faculty of Industrial Engineering, K. N. Toosi University of Technology, Department of Information Technology Engineering, Tehran, Iran دانشجوی دکتری مهندسی فناوری اطلاعات، دانشکده صنایع،گروه مهندسی فناوری اطلاعات،دانشگاه خواجه نصیرالدین طوسی، تهران، ایران Mohammad Jafar Tarokh محمدجعفر تارخ mjtarokh@kntu.ac.ir 10031947532846009923 10031947532846009923 No Professor, Faculty of Industrial Engineering, K. N. Toosi University of Technology, Department of Information Technology Engineering, Tehran, Iran استاد، دانشکده صنایع،گروه مهندسی فناوری اطلاعات، دانشگاه خواجه نصیرالدین طوسی، تهران، ایران Mohammad Kazem Momeni محمد کاظم مومنی drkazemmomeni@gmail.com 10031947532846009924 10031947532846009924 No Associate Professor, Faculty of Medicine, Zahedan University of Medical Sciences, Zahedan, Iran دانشیار، دانشکده پزشکی، دانشگاه علوم پزشکی زاهدان، زاهدان، ایران