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 مقاله | Deep 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 فارسی | ۱۵ | ||
تعداد صفحات انگلیسی | ۹ | ||
رشته | کامپیوتر و پزشکی | ||
قالب فایل | Word | ||
سال انتشار | ۲۰۱۹ | ||
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 |
مقدمه
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.
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.
نقد و بررسیها
هیچ دیدگاهی برای این محصول نوشته نشده است.