دپارتمان پژوهشی سفیر
16%

تشخیص سل در رادیوگرافی قفسه سینه با استفاده از الگوریتم‌های یادگیری عمیق و با کمک اطلاعات جمعیتی مربوط به داده‌های سالانه آزمایش سلامت کارکنان

22,000 تومان 18,500 تومان

تعداد صفحاتسال نگارشرشته قالب
۱۵۲۰۱۹کامپیوتر و پزشکی -ITWord

 

Description

تشخیص سل در رادیوگرافی قفسه سینه با استفاده از الگوریتم‌های یادگیری عمیق و با کمک اطلاعات جمعیتی مربوط به داده‌های سالانه آزمایش سلامت کارکنانReviewed by انیتا نعیمی on Jul 9Rating:

دانلود مقاله‌‌ تشخیص سل در رادیوگرافی قفسه سینه با استفاده از الگوریتم‌های یادگیری عمیق و با کمک اطلاعات جمعیتی مربوط به داده‌های سالانه آزمایش سلامت کارکنان 

عنوان فارسی مقاله ‌‌ تشخیص سل در رادیوگرافی قفسه سینه با استفاده از الگوریتم‌های یادگیری عمیق

و با کمک اطلاعات جمعیتی مربوط به داده‌های سالانه آزمایش سلامت کارکنان

عنوان انگلیسی مقالهDeep Learning Algorithms with Demographic Information Help

to Detect Tuberculosis in Chest Radiographs in

AnnualWorkers’ Health Examination Data

کلمات کلیدی یادگیری عمیق، تصویر، تشخیص با کمک کامپیوتر، بیماری سل، شبکه عصبی کانولوشن
 تعداد صفحات فارسی۱۵
تعداد صفحات انگلیسی۹
رشته کامپیوتر و پزشکی
قالب فایل Word
سال انتشار۲۰۱۹
لینک مقاله https://www.mdpi.com/1660-4601/16/2/250
 مرجع  Heo, S. J., Kim, Y., Yun, S., Lim, S. S., Kim, J., Nam, C. M., … & Yoon, J. H. (2019). Deep learning algorithms with demographic information help to

detect tuberculosis in chest radiographs in annual workers’ health       International journal of environmental research and public health 

  دانلود  و مشاهده  مقاله انگلیسی (رایگان) Deep learning algorithms with demographic information help to

detect tuberculosis in chest radiographs

   مقدمه

اشعه ایکس اساسی‌ترین شکل رادیوگرافی است و معمولا به عنوان اولین گام در معاینات پزشکی اندام‌ها و ساختارهای اطراف قفسه سینه در نظر گرفته می شود. اشعه X قفسه سینه ممکن است دانشی در مورد وضعیت بیمار ارائه دهد چرا که برخی بیماری‌ها با ناهنجاری‌های قلب و ریه همراه است. با این حال ، در شرایط خاص ، پزشکان ممکن است در تشخیص دقیق بیماری بر اساس تصاویر مشکل داشته باشند.
از این رو ، تقریباً به مدت ۶۰ سال ، محققان، تلاش زیادی برای توسعه روش‌های تشخیص به کمک کامپیوتر (CAD) انجام داده اند. اخیراً ، تحقیقات مربوط به شبکه‌های عصبی کانونی (CNN) در روش‌های تشخیص به کمک کامپیوتر گسترش یافته است که شامل اشعه X قفسه سینه ، پرتونگاری مقطعی (CT) و سی‌تی اسکن با وضوح بالا (HR-CT) است.
علاوه بر این، چندین مطالعه تشخیص به کمک کامپیوتر را بر اساس تصویرسازی رزونانس مغناطیسی (MRI) و تصویرسازی تشدید مغناطیسی کارکردی ، تصاویر سونوگرافی ، دمانگاری مادون قرمز، الکترو‌آنسفالوگرام (EEG) ، بافت شناسی دیجیتال و عکسهای آندوسکوپی بررسی کرده اند .تشخیص سل به کمک کامپیوتر

تشخیص سل به کمک کامپیوتر

تحقیقات قبلی نشان داده است که CAD برای تشخیص [۸] و توصیف الگوهای [۹] سل با دقت تشخیص قابل قبول مفید است . سی تی اسکن با وضوح بالا HR-CT اطلاعات بیشتری نسبت به اشعه X قفسه سینه می دهد و دقت خوبی را در تشخیص بیماری‌های ریه در بیماران مبتلا نشان می دهد، اما بیماران را در معرض دوزهای نسبتاً بالای اشعه قرار می دهد.

از این رو ، در بین روش‌های مختلف تشخیص به کمک کامپیوتر (CAD) ، اشعه X از قفسه سینه مناسب ترین روش برای بهبود عملکرد تشخیص است و بیمار در معرض اشعه کمتری قرار می گیرد.
رادیولوژیستها هنگام تفسیر رادیوگرافی قفسه سینه ، متغیرهای جمعیتی را مهم می دانند ، زیرا این متغیرها ممکن است با استفاده از روشهای یادگیری عمیق ، در تشخیص الگوهای بیماری تأثیر بگذارد. اگرچه می توان از تصاویر رایوگرافی برای استخراج متغیرهای جمعیتی خاص استفاده کرد ، و یا می توان از روشهای یادگیری عمیق برای تعیین جنسیت بر اساس تصاویر اشعه ایکس استفاده کرد [۱۱] ولی، مطالعات اندکی سعی کرده اند متغیرهای جمعیت شناختی را در شبکه‌های عصبی کانولوشن CNN‌ها قرار دهند.
بنابراین ، هنوز مشخص نیست که آیا تصاویر اشعه ایکس به تنهایی برای تصمیم گیری کافی هستند، یا اینکه افزودن متغیرهای جمعیتی به شبکه عصبی کانولوشن باعث افزایش عملکرد تشخیص به کمک کامپیوتر می شود.
در مطالعه حاضر ، هدف آزمایش عملکرد CNN‌ها در تشخیص سل است. همچنین ارزیابی تفاوت عملکرد بین شبکه عصبی کانولوشن که فقط مبتنی بر تصویر است (I-CNN) و شبکه عصبی کانولوشنی که شامل متغیرهای جمعیت شناختی است (D-CNN) برای دسته بندی تصاویر اشعه ایکس از قفسه سینه است.

 

Reviews

There are no reviews yet.

Be the first to review “تشخیص سل در رادیوگرافی قفسه سینه با استفاده از الگوریتم‌های یادگیری عمیق و با کمک اطلاعات جمعیتی مربوط به داده‌های سالانه آزمایش سلامت کارکنان”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *