دوره 12، شماره 2 - ( 6-1404 )
جلد 12 شماره 2 صفحات 0-0 |
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:
Khaleghizadeh R, Motamed S, Askari E. Planter Deformity Detection Using Improved Deep Learning Model. jhbmi 2025; 12 (2)
URL: http://jhbmi.ir/article-1-934-fa.html
URL: http://jhbmi.ir/article-1-934-fa.html
خالقی زاده راحله، معتمد سارا، عسکری الهام. تشخیص ناهنجاری کف پا با استفاده از یادگیری عمیق بهبود یافته. مجله انفورماتیک سلامت و زیست پزشکی. 1404; 12 (2)
استادیار، گروه کامپیوتر، واحد فومن و شفت، دانشگاه آزاد اسلامی، فومن، ایران
چکیده: (14 مشاهده)
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.
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.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
