fa jalali 1403 12 1 gregorian 2025 3 1 11 4 online 1 fulltext

fa الزامات عملکردی و غیر عملکردی سامانه پزشکی از راه دور برای مدیریت درد مزمن مقدمه: با گسترش فناوری اطلاعات و ارتباطات، سامانه‌های پزشکی از راه دور به یکی از ابزارهای کلیدی در ارتقای کیفیت خدمات درمانی تبدیل شده‌اند. این سامانه‌ها امکان ارائه مراقبت‌های پزشکی بدون نیاز به حضور فیزیکی بیمار و پزشک را فراهم می‌سازند و نقش مؤثری در مدیریت بیماری‌های مزمن، به‌ویژه درد مزمن ایفا می‌کنند. مدیریت درد مزمن نیازمند پیگیری مستمر، دسترسی آسان به خدمات و تبادل اطلاعات دقیق میان بیمار و تیم درمانی است. طراحی موفق یک سامانه پزشکی از راه دور مستلزم شناسایی و بررسی دقیق الزامات عملکردی و غیرعملکردی آن است. این الزامات پایه‌های اصلی برای تضمین کیفیت، امنیت، کارایی و پذیرش سیستم توسط کاربران را فراهم می‌سازند. هدف این پژوهش، شناسایی این الزامات برای طراحی یک سامانه مؤثر در مدیریت درد مزمن است. روش کار: این مطالعه از نوع کاربردی و به‌صورت مقطعی انجام شده است. در مرحله نخست، فرآیند موجود در مدیریت درد مزمن در بیمارستان‌های مربوطه مورد بررسی قرار گرفت. سپس با بهره‌گیری از روش بحث گروهی متمرکز (Focus Group Discussion)، جلساتی با حضور ۱۵ متخصص شامل چهار نفر از حوزه انفورماتیک پزشکی، هفت متخصص بیهوشی و چهار فلوشیپ درد برگزار شد. این افراد به‌صورت هدفمند و بر اساس دسترسی انتخاب شدند. جلسات تا زمان رسیدن به اشباع ادامه یافتند، به‌طوری‌که اطمینان حاصل شد تمامی ابعاد موضوع مورد بررسی قرار گرفته و به تأیید جمعی متخصصان رسیده است. یافته‌ها: الزامات عملکردی در 7 گروه دسته‌بندی شد، مدیریت‌کاربران (3 مورد)، نوبت‌دهی و ارتباط (5 مورد)، مدیریت اطلاعات‌پزشکی (3 مورد)، داروخانه و نسخه‌نویسی (2 مورد)، ارتباطات و پشتیبانی (2 مورد)، گزارش‌گیری و تحلیل‌داده (2 مورد)، محتوا و آموزش (4 مورد). همچنین برای الزامات غیرعملکردی، قابلیت‌اطمینان و در دسترس‌بودن، تعامل‌پذیری، امنیت و حریم‌خصوصی، ایمنی، عملکرد و مقیاس‌پذیری بدست آمدند. نتیجه‌گیری: یافته‌های این مطالعه نشان می‌دهد که شناسایی و درک دقیق الزامات عملکردی و غیرعملکردی نقش مهمی در موفقیت سامانه‌های پزشکی از راه دور دارد. عملکرد مناسب این سامانه‌ها مستلزم توجه همزمان به ویژگی‌هایی همچون امنیت، قابلیت اعتماد، تعامل‌پذیری و دسترسی‌پذیری در کنار کارکردهای تخصصی-درمانی است. در نتیجه، طراحی این سامانه‌ها باید با نگاه جامع و چند بعدی انجام شود تا پاسخ‌گوی نیازهای بیماران و تیم درمانی باشد. Introduction: With the expansion of information and communication technologies, telemedicine systems have become a key tool in enhancing the quality of healthcare services. These systems enable the delivery of medical care without the need for physical presence of patients and healthcare providers, playing a significant role in the management of chronic diseases, particularly chronic pain. Effective chronic pain management requires continuous follow-up, easy access to services, and accurate information exchange between patients and the medical team. The successful design of a telemedicine system depends on the precise identification and evaluation of its functional and non-functional requirements. These requirements form the foundation for ensuring the quality, security, efficiency, and user acceptance of the system. The aim of this study is to identify these requirements to support the development of an effective system for chronic pain management. Method: This applied, cross-sectional study was conducted in two phases. In the first phase, existing processes related to chronic pain management in relevant hospitals were analyzed. Subsequently, focused group discussion (FGD) sessions were held with 15 experts, including four medical informatics specialists, seven anesthesiologists, and four pain fellowship specialists. Participants were purposefully selected based on availability. Sessions continued until data saturation was achieved, ensuring that all dimensions of the subject had been thoroughly discussed and confirmed by the expert panel. Results: Functional requirements were categorized into seven groups: user management (3 items), scheduling and communication (5 items), medical information management (3 items), pharmacy and e-prescription (2 items), communication and support (2 items), reporting and data analysis (2 items), and content and education (4 items). Non-functional requirements identified included reliability and availability, interoperability, security and privacy, safety, performance, and scalability. Conclusion: The findings of this study highlight the critical role of accurately identifying and understanding both functional and non-functional requirements in the success of telemedicine systems. Optimal system performance relies on the simultaneous consideration of features such as security, reliability, interoperability, and accessibility, alongside core clinical functionalities. Therefore, the design of such systems must adopt a comprehensive and multidimensional approach to effectively meet the needs of both patients and healthcare teams. Telemedicine, Chronic Pain Management, Functional and Non-Functional Requirements پزشکی از راه دور, مدیریت درد مزمن, الزامات عملکردی و غیرعملکردی 282 290 http://jhbmi.ir/browse.php?a_code=A-10-1136-1&slc_lang=fa&sid=1 2024/11/18 1403/8/28 2025/01/19 1403/10/30 Zeinab Kohzadi Ph.D. in Medical Informatics, Department of Health Information Technology and Management, School of Allied Medical Sciences, Shahid Beheshti University of Medical Sciences, Tehran, Iran زینب کهزادی z.kohzadi96@gmail.com 00319475328460010358 00319475328460010358 No دکترای انفورماتیک پزشکی، گروه مدیریت و فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی تهران، ایران Ali Dabbagh Professor of Cardiac Anesthesia, Department of Anesthesiology, School of Medicine, Anesthesiology Research Center, Shahid Beheshti University of Medical Sciences, Tehran, Iran علی دباغ alidabbagh@yahoo.com 00319475328460010359 00319475328460010359 No فلوشیپ بیهوشی قلب، استاد گروه بیهوشی، دانشکده پزشکی، مرکز تحقیقات بیهوشی بیمارستان شهید مدرس، دانشگاه علوم پزشکی شهید بهشتی تهران، ایران Mehrdad Taheri Associate Professor of Anesthesiology, Department of Anesthesiology, School of Medicine, Shahid Beheshti University of Medical Sciences, Tehran, Iran مهرداد طاهری Taheri.1352@yahoo.com 00319475328460010360 00319475328460010360 No متخصص بیهوشی، دانشیار گروه بیهوشی، دانشکده پزشکی، دانشگاه علوم پزشکی شهید بهشتی تهران، ایران Hassan Emami Associate Professor of Information Technology, Department of Health Information Technology and Management, School of Allied Medical Sciences, Shahid Beheshti University of Medical Sciences, Tehran, Iran حسن امامی Haemami1337@yahoo.com 00319475328460010361 00319475328460010361 No دکترای فناوری اطلاعات، دانشیار گروه مدیریت و فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی تهران، ایران Mahshid Ghasemi Associate Professor of Pain Anesthesiology, Department of Anesthesiology, School of Medicine, Shahid Beheshti University of Medical Sciences, Tehran, Iran مهشید قاسمی mahshid.ghasemi@yahoo.com 00319475328460010362 00319475328460010362 No فلوشیپ درد، دانشیار گروه بیهوشی، دانشکده پزشکی، دانشگاه علوم پزشکی شهید بهشتی تهران، ایران Zahra Kohzadi Ph.D. in Health Information Management, County Health Center, Ilam University of Medical Sciences, Ilam, Iran زهرا کهزادی z.kohzadi91@yahoo.com 00319475328460010363 00319475328460010363 No دکترای مدیریت اطلاعات سلامت، مرکز بهداشت شهرستان ایلام، دانشگاه علوم پزشکی ایلام، ایران Shahabedin Rahmatizadeh Assistant Professor of Medical Informatics, Department of Health Information Technology and Management, School of Allied Medical Sciences, Shahid Beheshti University of Medical Sciences, Tehran, Iran شهاب الدین رحمتی زاده shahab.rahmatizadeh@gmail.com 00319475328460010364 00319475328460010364 Yes دکترای انفورماتیک پزشکی، استادیار گروه مدیریت و فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی تهران، ایران

fa طراحی سیستم پایدار فازی جهت تخمین مقاومت محیطی با استفاده از اجناس تواتر و قوت نبض طب ایرانی مقدمه: نبض‌شناسی یکی از مهم‌ترین روش‌های تشخیص بالینی در طب ایرانی می‌باشد و قرن‌ها است توسط متخصصان طب سنتی برای ارزیابی وضعیت سلامت مراجعین استفاده می‌شود. همچنین فتوپلتیسموگرام یک روش آسان و غیر‌ تهاجمی برای اندازه‌گیری تغییرات حجم خون در هر نبض است و میزان مقاومت عروق محیطی که در تبیین وضعیت بالینی بیماران مهم است را می‌توان از آن استخراج نمود. از سوی دیگر یکی از روش‌های پیش‌بینی و تخمین، سیستم مبتنی بر قوانین فازی است. در این تحقیق توسط سیستم فازی بین مقاومت محیطی در فتوپلتیسموگرام و نبض‌شناسی طب ایرانی ارتباط برقرار گردید. روش کار: نظریه فازی مبنای بسیاری از مطالعات پزشکی برای تشخیص بیماری‌ها است. برای طراحی سیستم فازی پایدار، اطلاعات نبض و همچنین سیگنال فتوپلتیسموگرام  مربوط به 35 نفر که توسط متخصص طب ایرانی ثبت شده بود مورد استفاده قرار گرفت. مجموعه‌های فازی کامل، نرمال، سازگار و متقارن و حساس نسبت به محدوده متغیرهای ورودی، برای پوشش فضاهای ورودی و خروجی و تولید قوانین با استفاده از داده‌های موجود تعریف شدند و شرایط پایداری برای سیستم برقرار گردید. یافته‌ها: سیستم فازی با 35 قانون، توابع عضویت مثلثی و ذوزنقه‌ای، فازی‌ساز منفرد، موتور استنتاج حاصل‌ضرب و فازی‌ساز مرکز ثقل توسط نرم‌افزار MATLAB R2021b طراحی شد. این سیستم فازی پایدار با ورودی‌های تواتر نبض و قوت نبض و همچنین خروجی مقاومت محیطی در محدوده تعریف شده می‌باشد. با توجه به نوع تعریف مجموعه‌های فازی در توابع تعلق، پایداری سیستم تضمین گردید و خطای این سیستم جهت تخمین مقاومت محیطی حداکثر 01/0  به دست آمد. نتیجه‌گیری: این سیستم هوشمند فازی پایدار با استفاده از متغیرهای نبض طب ایرانی تخمین مناسبی از مقاومت محیطی سیگنال فتوپلتیسموگرام ارائه می‌دهد و مشاهده شد که افزایش تواتر نبض با افزایش مقاومت محیطی و همچنین افزایش قوت نبض با کاهش مقاومت محیطی مرتبط بود؛ لذا پزشکان آموزش دیده می‌توانند در زمان عدم دسترسی به سیگنال فتوپلتیسموگرام، بر اساس معاینه تواتر و قوت نبض فرد بیمار، تخمین مناسبی از وضعیت مقاومت محیطی فرد که در ارزیابی بالینی و تشخیص مشکلات پزشکی بیمار مفید است، به دست آورند. Introduction: Pulsology is one of the most important clinical diagnostic methods in Persian medicine (PM) and has been used by traditional medicine specialists for centuries to assess clients' health conditions. Additionally, photoplethysmogram (PPG) is a simple and non-invasive method for measuring changes in blood volume with each pulse, and the amount of peripheral resistance (PR), which is crucial for understanding patients' clinical conditions, can be extracted from it. Moreover, a system based on fuzzy rules serves as one of the methods for prediction and estimation. This research establishes the relationship between PR in PPG and PM pulsology through a fuzzy system.. Method: Fuzzy theory underlies many studies aimed at diagnosing diseases. To design a stable fuzzy system, pulse information and PPG signals from 35 individuals, recorded by a PM expert, were used. Complete, normal, consistent, and symmetric fuzzy sets sensitive to the range of input variables were defined to encompass the input and output spaces and to generate rules using the available data. Stability conditions for the system were also established. Results: A fuzzy system comprising 35 rules, triangular and trapezoidal membership functions, a singleton fuzzifier, a product inference engine, and a centroid defuzzifier was designed using MATLAB R2021b. This stable fuzzy system, with pulse frequency and pulse strength inputs, as well as PR output, operates within the defined range. The stability of the system is assured by the membership function definitions, with a maximum error of 0.01.  Conclusion: This intelligent stable fuzzy system provides a reliable estimate of the PR from the PPG signal by using PM pulse variables. It was observed that an increase in pulse frequency correlates with an increase in PR, while an increase in pulse strength correlates with a decrease in PR in the PPG. Therefore, when the photoplethysmography signal is unavailable, trained physicians can derive a suitable estimate of the patient's peripheral vascular resistance status based on the frequency and strength of the patient's pulse, which is valuable for the clinical evaluation and diagnosis of the patient's medical issues. Stable fuzzy system, pulse, Persian medicine, photoplethysmogram, peripheral resistance سیستم فازی پایدار, نبض, طب ایرانی, فتوپلتیسموگرام, مقاومت محیطی 291 305 http://jhbmi.ir/browse.php?a_code=A-10-673-3&slc_lang=fa&sid=1 2024/11/182024/05/31 1403/3/11 2025/01/192025/03/1 1403/12/11 Mohammad Dehghandar Assistant Professor, Department of Mathematics, Payame Noor University, Tehran, Iran محمد دهقاندار m_dehghandar@pnu.ac.ir 00319475328460010365 00319475328460010365 Yes استادیار، گروه ریاضی، دانشگاه پیام نور،، تهران،‌ ایران Maryam Nikbakht Assistant Professor, Department of Mathematics, Payame Noor University, Tehran, Iran مریم نیکبخت m_nikbakht@pnu.ac.ir 00319475328460010366 00319475328460010366 No استادیار، گروه ریاضی، دانشگاه پیام نور،، تهران،‌ ایران Fateme Yousefi Nadarabadi PhD Student, Department of Mathematics, Payame Noor University, Tehran, Iran فاطمه یوسفی ندرآبادی fatemehusefi3@gmail.com 00319475328460010367 00319475328460010367 No دانشجوی دکترای ریاضی، دانشگاه پیام نور، تهران،‌ ایران

fa تشخیص افتراقی ضایعات پیش سرطانی و سرطانی دهانی مبتنی بر یک مدل یکپارچه هوش مصنوعی مقدمه: تشخیص به‌موقع ضایعات پیش‌سرطانی و سرطانی دهان نقش اساسی در بهبود نتایج درمانی و کاهش مرگ‌ومیر بیماران دارد. با این حال، شباهت ظاهری این ضایعات با ضایعات خوش‌خیم، فرآیند تشخیص را پیچیده می‌کند. سیستم‌های تشخیصی به کمک کامپیوتر (CAD)‌‌، به‌عنوان ابزارهای کمکی، می‌توانند دقت تشخیص را افزایش داده و زمان آن را کاهش دهند. این مطالعه با هدف توسعه یک مدل یکپارچه برای تشخیص ضایعات دهانی انجام شد. روش: در این مطالعه، تصاویر بالینی از بیماران مبتلا به لوکوپلاکیا، لیکن‌پلان و کارسینوم سلول‌های سنگفرشی دهان جمع‌آوری شد. پس از پیش‌پردازش تصاویر برای بهبود کیفیت و حذف نویز، ویژگی‌های کلیدی با الگوریتم SURF استخراج شدند. برای کاهش ابعاد داده‌ها و انتخاب ویژگی‌های مؤثر، از الگوریتم خوشه‌بندی K-means استفاده شد که تعداد ویژگی‌ها را به ۳۰ ویژگی کاهش داد. طبقه‌بندی تصاویر با استفاده از پنج الگوریتم یادگیری ماشین شامل ماشین بردار پشتیبان (SVM)‌، شبکه عصبی چندلایه (MLP)، توابع پایه شعاعی (RBF)، درخت تصمیم و دسته‌بندی‌کننده بیزی انجام شد. عملکرد این الگوریتم‌ها به‌صورت مقایسه‌ای ارزیابی شدند. نتایج: نتایج نشان داد که SVM با دقت ۹۵% بهترین عملکرد را در تشخیص ضایعات دهانی دارد. این الگوریتم به دلیل توانایی مدیریت داده‌های با ابعاد بالا و قابلیت تفکیک خطی و غیرخطی، برتری قابل توجهی نسبت به سایر روش‌ها نشان داد. الگوریتم‌های دیگر مانند MLP و RBF نیز نتایج قابل قبولی ارائه کردند، اما دقت آن‌ها کمتر از SVM بود. استفاده از K-means برای کاهش ابعاد ویژگی‌ها، سرعت و دقت طبقه‌بندی را بهبود بخشید. نتیجه گیری: این مطالعه، برای نخستین بار، یک مدل یکپارچه از عکس‌برداری تا تشخیص ضایعات دهانی با دقت بالا ارائه کرد. این رویکرد خطاهای تشخیصی اشتباه را کاهش داده و زمان و هزینه‌های مرتبط با تشخیص را کاهش می‌دهد. استفاده از هوش مصنوعی در تشخیص ضایعات دهانی می‌تواند به عنوان یک ابزار کمکی در کنار متخصصان دندانپزشکی، کیفیت مراقبت‌های بهداشتی را بهبود بخشد. این مدل پتانسیل توسعه در سایر زمینه‌های پزشکی را دارد و می‌تواند به عنوان مرجعی برای تحقیقات آینده مورد استفاده قرار گیرد.   Introduction: Early detection of precancerous and cancerous oral lesions is essential for improving treatment outcomes and reducing patient mortality. However, the similarity of these lesions to benign lesions complicates the diagnostic process. Computer-aided diagnostic (CAD) systems can enhance diagnostic accuracy and reduce the time required for diagnosis. This study aimed to develop an integrated model for the diagnosis of oral lesions Method: In this study, clinical images of patients with leukoplakia, lichen planus, and oral squamous cell carcinoma were collected. After preprocessing the images to improve quality and remove noise, key features were extracted using the SURF algorithm. To reduce data dimensions and select effective features, the K-means clustering algorithm was employed, resulting in a reduction to 30 features. Image classification was performed using five machine learning algorithms: support vector machine (SVM), multilayer neural network (MLP), radial basis function (RBF), decision tree, and Bayesian classifier. The performance of these algorithms was evaluated comparatively. Results: The results indicated that SVM excelled in detecting oral lesions, achieving an accuracy of 95%. This algorithm demonstrated significant superiority over other methods due to its ability to manage high-dimensional data and its capabilities for both linear and nonlinear separation. While MLP and RBF also provided acceptable results, their accuracy was lower than that of SVM. Employing K-means for dimensionality reduction improved both the speed and accuracy of classification. Conclusion: This study presents, for the first time, an integrated model for high-accuracy diagnosis of oral lesions using imaging. This approach minimizes misdiagnosis errors and reduces the time and costs associated with diagnosis. The application of artificial intelligence in diagnosing oral lesions can enhance healthcare quality as an auxiliary tool alongside dental professionals. This model holds potential for development in other medical fields and can serve as a reference for future research.   Artificial intelligence, Machine learning algorithms, Classification, Feature extraction, Oral lesions. هوش مصنوعی, الگوریتم‌های یادگیری ماشین, دسته بندی, استخراج ویژگی, ضایعات دهانی 306 322 http://jhbmi.ir/browse.php?a_code=A-10-930-1&slc_lang=fa&sid=1 2024/11/182024/05/312024/11/25 1403/9/5 2025/01/192025/03/12025/03/1 1403/12/11 Rouhollah Maghsoudi Department of Computer Engineering, Nur Branch, Islamic Azad University, Nur, Iran روح اله مقصودی rcemaghsoudy@gmail.com 00319475328460010368 00319475328460010368 Yes گروه مهندسی کامپیوتر، واحد نور، دانشگاه آزاد اسلامی، نور، ایران Mehdi Tavan Department of Electrical Engineering, Nur Branch, Islamic Azad University, Nur, Iran مهدی توان mehdi.tavan@yahoo.com 00319475328460010369 00319475328460010369 No گروه مهندسی برق، واحد نور، دانشگاه آزاد اسلامی، نور، ایران

fa تشخیص و تقسیم‌ بندی استخوان،ریه و بافت نرم به روش خودکار براساس تصاویر توموگرافی کامپیوتری CT با استفاده از شبکه‌های یادگیری عمیق مقدمه: در حوزه پرتودرمانی و محاسبات دزیمتری، شناسایی و تفکیک مناطق و ساختارهای مختلف بدن در تصاویر پزشکی از جمله استخوان، ریه و بافت نرم  براساس تصاویر سی‌تی اسکن نقش مهمی در محاسبه توزیع دز اشعه به منظور بهینه‌سازی، حفاظت از ارگان‌های حساس و بهبود دقت در طراحی درمان‌ ایفا می‌کند. در این راستا به کارگیری الگوریتم‌های خودکار بخش‌‌بندی و بهبود مدل‌های یادگیری عمیق در زمینه تحلیل تصاویر پزشکی دقت و سرعت را بهبود می‌بخشد. هدف این مطالعه ارزیابی دو شبکه عصبی کانولوشن (CNN) و معرفی یک مدل مؤثر و کارآمد برای انجام بخش‌‌بندی استخوان، ریه و بافت نرم با دقت بالا براساس تصاویر سی ‌تی اسکن است. روش کار: در این مطالعه، شبکه‌ عصبی عمیق مبتنی بر DeepLabV3+ و معماری‌های از پیش‌آموزش‌دیده ResNet-18  و MobileNet-v2 به عنوان مدل‌های پایه برای بخش‌بندی استفاده شدند. به منظور پیش ‌پردازش تصاویر سی ‌تی اسکن و تهیه داده‌های ورودی به الگوریتم شبکه عصبی، از نرم ‌افزار 3d slicer به منظور تولید تصاویر ماسک شامل بافت‌های نرم، استخوان‌ها و ریه‌‌ها می‌باشد، بهره‌ برداری شده است. فرآیند توسعه و تنظیم پارامترهای آموزش مدل یادگیری عمیق در محیط MATLAB انجام گرفته است و عملکرد الگوریتم‌‌های تقسیم‌‌بندی به صورت همزمان برای ارگان‌های ذکر شده با استفاده از دو شبکه عصبی مذکور، براساس پارامترهای دقت و ضریب ژاکارد ارزیابی شده‌اند. یافته‌ها: نتایج نشان می‌دهد که دقت بخش‌‌بندی معنایی استخوان برای شبکه‌های عصبی ResNet-18 و MobileNet-v2 به ترتیب 97% و 96% است. برای تقسیم‌بندی ریه و بافت نرم، دقت شبکه‌های مذکور به ترتیب 96/9%، 96/7‌% (برای ریه) و 99/2% ، 99% (برای بافت نرم) گزارش شده است. همچنین، معیار ارزیابی ضریب ژاکارد برای تقسیم‌بندی معنایی استخوان توسط شبکه‌های ResNet-18 و MobileNet-v2 به ترتیب 85% و 84% اندازه‌‌گیری شده است. برای بخش‌بندی ریه و بافت نرم، این معیار به ترتیب برای شبکه‌های ResNet-18‌، MobileNet-v2 به 90/8% ، 91/2% (برای ریه) و 99% ، 99% (برای بافت نرم) است. نتیجه‌گیری:  بر اساس نتایج به دست آمده شبکه عصبی MobileNet-v2 عملکرد بهتری نسبت به ResNet-18 در تحلیل تصاویر سی ‌تی اسکن و بخش‌بندی همزمان بافت‌ها از نظر معیارهای مختلف ارزیابی و سرعت عمل نشان می‌دهد.   Introduction: In the field of radiation therapy and dosimetry, identifying and segmenting different regions and structures of the body in medical images is crucial for calculating radiation dose distribution for optimization, protecting sensitive organs, and improving treatment planning. In this regard, the application of automatic segmentation algorithms and the advancement of deep learning models in the field of medical image analysis enhance both accuracy and speed. This study aims to evaluate two convolutional neural networks (CNNs) and introduce an effective and efficient model for high-accuracy segmentation of bone, lung, and soft tissue based on CT images. Method: This study utilized deep neural networks based on DeepLabV3+, ResNet-18, and MobileNet-v2 pre-trained architectures as the backbone for segmentation. To preprocess the CT scan images and prepare the input data for the neural network algorithms, 3D Slicer was employed to generate mask images for organs, including soft tissues, bones, and lungs. The development process and fine-tuning of the aforementioned deep learning models were carried out in the MATLAB environment, with accuracy and Intersection over Union (IoU) measured to evaluate the performance of the segmentation algorithms. Results: The results indicated that the accuracy of semantic segmentation of bone for the ResNet-18 and MobileNet-v2 neural networks was 97% and 96%, respectively. For lung and soft tissue segmentation, the accuracy of the aforementioned networks was reported as 96.9% and 96.7% (for lung), and 99.2% and 99% (for soft tissue), respectively. Furthermore, the IoU criterion for semantic segmentation of bone by the ResNet-18 and MobileNet-v2 networks was measured at 85% and 84%, respectively. For lung and soft tissue segmentation, this criterion was 90.8% and 91.2% (for lung), and 99% and 99% (for soft tissue) for both networks, respectively. Conclusion: Various evaluation metrics indicate that the MobileNet-v2 neural network demonstrates superior performance and speed compared to the ResNet-18 network in analyzing CT scan images and segmenting the target tissues. Semantic segmentation, medical images, computed tomography images, convolutional neural networks (CNN) بخش‌بندی معنایی تصاویر پزشکی, یادگیری عمیق, تصاویر توموگرافی کامپیوتری, شبکه‌های عصبی کانولوشن (CNN) 323 335 http://jhbmi.ir/browse.php?a_code=A-10-1144-1&slc_lang=fa&sid=1 2024/11/182024/05/312024/11/252024/12/7 1403/9/17 2025/01/192025/03/12025/03/12025/03/6 1403/12/16 Mohammad Mohammadian Master's degree Medical Radiation, Department of Nuclear Engineering, CT.C., Islamic Azad University, Tehran, Iran محمد محمدیان mohammadian2024@gmail.com 00319475328460010301 00319475328460010301 No کارشناسی ارشد پرتو پزشکی، گروه مهندسی پرتو پزشکی، دانشکده فنی و مهندسی، دانشکده تهران مرکزی، تهران، ایران Maryam Khazaee Moghadam Assistant Professor, Department of Nuclear Engineering, CT.C., Islamic Azad University, Tehran, Iran مریم خزاعی مقدم m.khazaee@iau.ac.ir 00319475328460010302 00319475328460010302 Yes دکترا پرتو پزشکی، استادیارگروه مهندسی پرتو پزشکی، دانشکده فنی و مهندسی، دانشکده تهران مرکزی، تهران، ایران Elham Saniei Assistant Professor, Department of Nuclear Engineering, CT.C., Islamic Azad University, Tehran, Iran الهام صنیعی el.saniei@iau.ac.ir 00319475328460010303 00319475328460010303 No دکترا پرتو پزشکی، استادیارگروه مهندسی پرتو پزشکی، دانشکده فنی و مهندسی، دانشکده تهران مرکزی، تهران، ایران

fa بهبود تشخیص ناحیه جراحت HIFU از طریق یادگیری نظارت‌شده و خودنظارتی متضاد با استخراج ویژگی مبتنی بر موجک و نمونه‌های منفی سخت (HWCSSL) 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. Introduction: Artificial intelligence (AI) has brought about transformative changes across multiple domains including classification, detection, and prediction through the implementation of sophisticated machine learning algorithms, with the ultimate objective of enhancing quality of life and service delivery. Conventional approaches that rely on manually engineered features encounter significant limitations when applied to complex tasks such as medical diagnosis, particularly in terms of suboptimal feature extraction capabilities and heightened sensitivity to noise interference. The emergence of deep neural networks, with their inherent capacity for automated feature extraction, has revolutionized contemporary data analysis methodologies. The current study leverages this technological advancement for the detection of lesions generated by High-Intensity Focused Ultrasound (HIFU), an innovative therapeutic technique developed for oncological treatment and hemorrhage management. The proposed methodology integrates both supervised and self-supervised learning paradigms to enhance detection accuracy by effectively utilizing both labeled and unlabeled clinical datasets. Method: A key challenge in traditional methods lies in optimal feature extraction and hyperparameter tuning. This research develops an innovative framework integrating supervised and contrastive self-supervised learning. The model processes both RF signals and B-mode images as inputs, simultaneously handling labeled and unlabeled data. Data augmentation techniques, including wavelet transforms and hard negative sampling were employed. Model optimization was achieved through advanced algorithms and fine-tuned hyperparameters to enhance performance in complex scenarios. This approach enabled concurrent analysis of multimodal data, improving diagnostic accuracy. Results: The proposed model demonstrated substantial improvements in HIFU-induced lesion classification performance. Quantitative evaluation metrics, including accuracy, precision, recall, and F1-score, consistently validated the model's efficacy in discriminating between healthy and pathological tissue regions. The multimodal integration of signal processing and image analysis components yielded remarkable enhancements in overall system performance. The incorporation of self-supervised learning algorithms coupled with wavelet transform techniques substantially augmented the model's feature extraction capabilities, resulting in superior diagnostic accuracy compared to conventional approaches. Conclusion: This investigation presents a robust and precise framework for HIFU lesion detection that effectively employs self-supervised learning methodologies. The developed system successfully extracts clinically relevant information from unlabeled datasets while achieving significant improvements in diagnostic reliability. By addressing critical challenges in medical imaging applications, particularly in non-invasive therapeutic interventions, this approach demonstrates considerable potential for enhancing clinical workflows. The proposed methodology establishes a foundational platform for the future development of advanced diagnostic tools in therapeutic ultrasound applications. High-intensity focused ultrasound, Deep neural networks, Self-supervised learning, Lesion detection, Contrastive learning, Wavelet transform اولتراسوند متمرکز با شدت بالا, شبکه‌های عصبی عمیق, یادگیری خودنظارتی, تشخیص جراحت, یادگیری متضاد, تبدیل موجک 336 347 http://jhbmi.ir/browse.php?a_code=A-10-1132-1&slc_lang=fa&sid=1 2024/11/182024/05/312024/11/252024/12/72024/11/2 1403/8/12 2025/01/192025/03/12025/03/12025/03/62024/12/25 1403/10/5 Matineh Zavar Department of Computer Engineering, Ferdows Branch, Islamic Azad University, Ferdows, Iran. متینه زوار Matineh.zavar@iau.ac.ir 00319475328460010370 00319475328460010370 No گروه مهندسی کامپیوتر، واحد فردوس، دانشگاه آزاد اسلامی، فردوس، ایران. Hamid Reza Ghaffari Department of Computer Engineering, Ferdows Branch, Islamic Azad University, Ferdows, Iran. حمیدرضا غفاری hghaffari_papers@ferdowsiau.ac.ir 00319475328460010371 00319475328460010371 Yes گروه مهندسی کامپیوتر، واحد فردوس، دانشگاه آزاد اسلامی، فردوس، ایران. Hamid Tabatabaee Department of Artificial Intelligent and Data Science, Intelligent Financial Innovation Research Center, Mashhad Branch, Islamic Azad University, Mashhad, Iran حمید طباطبایی h_tabatabaee@mshdiau.ac.ir 00319475328460010372 00319475328460010372 No گروه هوش مصنوعی و علم داده، مرکز تحقیقات نوآوری های مالی هوشمند، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران.

fa هوشمندسازی نظام سلامت: مزایا و چالش ها مقاله از نوع نامه به سردبیر است، فلذا فاقد چکیده می باشد.    The article is a letter to the editor, so it does not have an abstract. Intelligentization, Healthcare System هوشمندسازی, نظام سلامت 348 351 http://jhbmi.ir/browse.php?a_code=A-10-86-1&slc_lang=fa&sid=1 2024/11/182024/05/312024/11/252024/12/72024/11/22025/02/19 1403/12/1 2025/01/192025/03/12025/03/12025/03/62024/12/252025/03/15 1403/12/25 AliAkbar Haghdoost Epidemiologist, HIV/STI Surveillance Research Center, and WHO Collaborating Center for HIV Surveillance, Institute for Futures Studies in Health, Kerman University of Medical Sciences, Kerman, Iran علی اکبر حقدوست ahaghdoost@gmail.com 00319475328460010373 00319475328460010373 Yes اپیدمیولوژیست، مرکز تحقیقات مراقبت اچ.آی.وی و عفونت‌های آمیرشی، مرکز همکار سازمان جهانی بهداشت، پژوهشکده آینده‌پژوهی در سلامت، دانشگاه علوم پزشکی کرمان، کرمان، ایران

fa توسعه و راه‌اندازی سیستم الکترونیک ثبت اطلاعات سلامت در حوادث و بلایا استقرار یک سیستم الکترونیک ثبت اطلاعات سلامت در مرحله پاسخ به بلایا، نقش مهمی در ارتقاء کیفیت مدیریت بحران‌های سلامت، کاهش تلفات و افزایش کارایی خدمات درمانی ایفا می‌کند. حمایت سیاست‌گذاران و تخصیص منابع کافی برای توسعه و به‌روزرسانی این سامانه، یک ضرورت راهبردی برای نظام سلامت کشور است. در این خلاصه  سیاستی، مشکلات و پیشنهادها (اقدامات راهبردی) در راستای توسعه و راه اندازی سیستم الکترونیک ثبت اطلاعات سلامت در حوادث و بلایا ارائه می‌شود.   Setting up an electronic system to record health data during disaster response is crucial. It improves crisis management quality, lowers casualties, and boosts healthcare service efficiency. Policymaker support and enough funding are essential to developing and maintaining this system. This policy brief outlines the challenges and offers strategic recommendations for building and launching an electronic health data system for disasters and emergencies.     Information Technology, Electronic Data Recording, Disasters, Emergencies فناوری اطلاعات, ثبت الکترونیک اطلاعات, حوادث و بلایا 352 358 http://jhbmi.ir/browse.php?a_code=A-10-24-13&slc_lang=fa&sid=1 2024/11/182024/05/312024/11/252024/12/72024/11/22025/02/192025/02/19 1403/12/1 2025/01/192025/03/12025/03/12025/03/62024/12/252025/03/152025/03/4 1403/12/14 simin salehinejad Student Research Committee, Kerman University of Medical Sciences, Kerman, Iran سیمین صالحی نژاد simin.salehinejad@gmail.com 00319475328460010374 00319475328460010374 No کمیته تحقیقات دانشجویی،‌ دانشگاه علوم پزشکی کرمان،‌کرمان،‌ایران Kambiz Bahaeddinbeigi The Australian College of Rural and Remote Medicine ( ACRRM ), Brisbane, Australia کامبیز بهاالدین بیگی kambiz321@gmail.com 00319475328460010375 00319475328460010375 Yes گروه طب اورژانس، کالج استرالیایی پزشکی از راه دور، بریزبین، کوئینزلند، استرالیا