@ARTICLE{Ghayoumi Zadeh, author = {Ghayoumi Zadeh, Hossein and Fayazi, Ali and Rezaee, Khosro and Gholizadeh, Mohammad Hossein and Eskandari, Mehdi and }, title = {Segmentation of the Left Atrial Appendage in the Echocardiographic Images of the Heart Using a Deep Neural Network}, volume = {8}, number = {3}, abstract ={مقدمه: بیماری‌های قلبی و عروقی یکی از علل اصلی مرگ‌ومیر در جهان صنعتی امروز هستند. انسداد گوشک دهلیز چپ با استفاده از دستگاه‌های ساخته‌ شده یک‌روند رو به رشد است. این مطالعه با هدف ایجاد یک سیستم تشخیصی به کمک رایانه برای شناسایی LAA در تصاویر اکوکاردیوگرافی انجام شد. روش: داده‌های به ‌کار رفته در این مطالعه توصیفی-تحلیلی، تصاویر اکوکاردیوگرافی سه‌بعدی از قلب مربوط به 32 بیمار اخذ شده در بیمارستان کینگز کالج لندن است که تمامی آن‌ها با موفقیت با مسدودکننده درمان شدند. مجموع 208 تصویر دوبعدی به‌دست‌آمده در صفحه محوری از هر مجموعه داده سه‌بعدی به دست ‌آمد. سپس 1914 تصویر که در آن‌ها ناحیه مربوط به LAA به‌وضوح قابل‌تشخیص بودند برای این مطالعه انتخاب شدند. شبکه عصبی پیشنهادی در این مطالعه مبتنی بر الگوریتم YOLOv3 کامپایل شده است. در نهایت 1369 و 545 تصویر به ترتیب برای آموزش و آزمایش الگوریتم مورد استفاده قرار گرفتند. نتایج: عملکرد الگوریتم در شناسایی LAA بر روی مجموعه‌ای از 545 تصویر با نواحی ردیابی شده در تصاویر مشابه توسط یک متخصص در اکوکاردیوگرافی با استفاده از یک تقاطع بر روی الگوریتم (‏IoU) ‏مقایسه شد. الگوریتم قادر به شناسایی صحیح ناحیه LAA در تمامی 545 تصویر بررسی ‌شده با IoU میانگین 99/37% بود. نتیجه‌گیری: الگوریتم پیشنهادی مبتنی بر تصویر، در این مطالعه دقت بالایی در تشخیص حدود LAA در تصاویر اکوکاردیوگرافی نشان داد. این روش می‌تواند در توسعه الگوریتم‌ها برای تجزیه‌وتحلیل خودکار ناحیه LAA جهت تعیین اندازه دستگاه و برنامه‌ریزی رویه‌ای در روش‌های انسداد LAA مورد استفاده باشد. }, URL = {http://jhbmi.ir/article-1-612-fa.html}, eprint = {http://jhbmi.ir/article-1-612-fa.pdf}, journal = {Journal of Health and Biomedical Informatics}, doi = {}, year = {2021} }