دوره 10، شماره 4 - ( 12-1402 )
جلد 10 شماره 4 صفحات 336-326 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Taghavizadeh M, Nooshyar M, Akbarimajd A, Shahalinezhad S. Automatic and Accurate Diagnosis of Alzheimer's Disease from MRI Images Improved by Deep Convolutional Neural Network. jhbmi 2024; 10 (4) :326-336
URL: http://jhbmi.ir/article-1-812-fa.html
URL: http://jhbmi.ir/article-1-812-fa.html
تقوی زاده مهسا، نوشیار مهدی، اکبری مجد عادل، شاهعلی نژاد سهند. تشخیص خودکار و دقیق بیماری آلزایمر از روی تصاویر MRI به وسیله شبکه عصبی کانولوشنی عمیق بهبود یافته. مجله انفورماتیک سلامت و زیست پزشکی. 1402; 10 (4) :326-336
کارشناسی ارشد مهندسی پزشکی، گروه مهندسی پزشکی، مؤسسه آموزش عالی ارومیه، ارومیه، ایران
چکیده: (132 مشاهده)
مقدمه: شناسایی و تشخیص بیماری آلزایمر موجود در بافت مغز از چالش‌های جدی شناسایی در حوزه پردازش تصاویر پزشکی است. در حال حاضر MRI، متداول‌ترین راه تشخیص آلزایمر در بین روش‌های تصویربرداری می‌باشد. عدم شناسایی صحیح بافت درگیر می‌تواند منجر به تشخیص نادرست به عنوان بافت سالم مغزی شود. الگوریتم یادگیری عمیق به عنوان فرآیند تشخیص ویژگی‌های مرتبط، اطلاعات مفید را استخراج می‌کند؛ لذا این پژوهش سعی دارد با استفاده از شبکه عصبی کانولوشنال در پردازش تصاویر پزشکی با دقت بهتری، نسبت به کارهای گذشته در تشخیص، انجام دهد.
روش: با استفاده از شبکه عصبی کانولوشنی طراحی شده استخراج ویژگی‌های تصاویر T1MRI صورت گرفته است. تصاویر آلزایمر با استفاده از نرم افزار Matlab2023a تحلیل شده‌اند و خروجی‌های مد نظر حاصل شده‌اند.
نتایج: تصاویر آلزایمر مغزی T1 پس از پیش پردازش و ورود به شبکه عصبی عمیق طراحی شده، مورد بررسی قرار گرفته‌اند که در خروجی حاصل از الگوریتم پیشنهادی، دقت شناسایی و سرعت شناسایی الگوریتم با بهبود ابر پارامترها در مقایسه با سایر روش‌های معمول بالاتر بود که دقت 96% و حساسیت 100% در شناسایی ارائه کرده است.
نتیجه‌گیری: هدف از الگوی یادگیری عمیق این است که داده‌های تصویری با ابعاد بزرگ و تعداد زیاد به شکل قابل فهم برای ماشین‌ها درآیند. انتظار می‌رود در آینده استخراج ویژگی با دقت بیشتری انجام شود و جزئیات بیشتری جهت بازشناسی اشیاء در تصویر، در اختیار سیستم‌های بینایی ماشین قرار گیرد.
روش: با استفاده از شبکه عصبی کانولوشنی طراحی شده استخراج ویژگی‌های تصاویر T1MRI صورت گرفته است. تصاویر آلزایمر با استفاده از نرم افزار Matlab2023a تحلیل شده‌اند و خروجی‌های مد نظر حاصل شده‌اند.
نتایج: تصاویر آلزایمر مغزی T1 پس از پیش پردازش و ورود به شبکه عصبی عمیق طراحی شده، مورد بررسی قرار گرفته‌اند که در خروجی حاصل از الگوریتم پیشنهادی، دقت شناسایی و سرعت شناسایی الگوریتم با بهبود ابر پارامترها در مقایسه با سایر روش‌های معمول بالاتر بود که دقت 96% و حساسیت 100% در شناسایی ارائه کرده است.
نتیجه‌گیری: هدف از الگوی یادگیری عمیق این است که داده‌های تصویری با ابعاد بزرگ و تعداد زیاد به شکل قابل فهم برای ماشین‌ها درآیند. انتظار می‌رود در آینده استخراج ویژگی با دقت بیشتری انجام شود و جزئیات بیشتری جهت بازشناسی اشیاء در تصویر، در اختیار سیستم‌های بینایی ماشین قرار گیرد.
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1402/6/19 | پذیرش: 1402/9/25
دریافت: 1402/6/19 | پذیرش: 1402/9/25
فایل صوتی [M4A 1084 KB] (3 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
