جستجو در مقالات منتشر شده
۲ نتیجه برای شجاعی لنگری
سیما سادات لاجوردی، عبداله اله رودی، سیده سمانه شجاعی لنگری،
دوره ۱۵، شماره ۲ - ( بهار ۱۴۰۳ )
چکیده
سرطان یکی از شایع‌ترین علل مرگ و میر در جهان است. سرطان پستان فراوان ترین سرطان در بین زنان است و سالیانه باعث میزان بالایی از مرگ و میر می شود. معتبرترین و مطمئن ترین روش برای مدیریت موفق سرطان، تشخیص دقیق و زود هنگام است. در مقابل، عدم تشخیص به موقع منجر به گسترش سرطان در بدن می شود، در نتیجه درمان و کنترل آن را دشوار می نماید. روش استاندارد طلایی برای تشخیص سرطان پستان، بیوپسی است. به طور معمول از روش های دستی و بصری برای تشخیص سرطان استفاده می شود و پاتولوژیست اسلاید های هیستوپاتولوژی را زیر میکروسکوپ بررسی می نماید که این نوع تشخیص به زمان زیاد و تخصص بالایی احتیاج دارد و بسیار مستعد خطاست، به همین دلیل استفاده از سیستم تشخیص رایانه ای(CAD) برای کمک به پزشکان در جهت بهبود کارایی تفسیر تصاویر پزشکی ضروری است. در این مطالعه ما از مدل های یادگیری عمیق، خصوصا شبکه های عصبی کانولوشنی (CNNs) برای تشخیص سرطانی بودن یا نبودن تصاویر هیستوپاتولوژیک استفاده می کنیم. میزان AUC، صحت و امتیاز F۱ به دست آمده با استفاده از شبکه ی عصبی عمیق از پیش آموزش داده شده Incetion-V۳ به ترتیب برابر ۳۶/۹۸ % ، ۲۸/۹۵ % و ۲۵/۹۷ % است و همین پارامترها برای شبکه ی عصبی عمیق از پیش آموزش داده شده ی ResNet-۱۸ برابر با ۹۰/۹۷ % ، ۴۶/۹۷ % و ۲۲/۹۸ % می باشد. مدل ارائه شده قادر است برای مورفولوژی های متفاوت بافت پستان، پاسخ قابل توجهی ارائه دهد.
معصومه خالقیان، سیده سمانه شجاعی لنگری، مهدی محسنی، مریم بیگ زاده،
دوره ۱۶، شماره ۱ - ( زمستان ۱۴۰۳ )
چکیده
پایش فشار خون، یکی از مؤلفه‌های حیاتی برای حفظ سلامتی است. فشار خون بالا، به عنوان یک عامل خطر می‌تواند منجر به بروز حمله قلبی، سکته، نارسایی قلبی و کلیوی شود. همچنین، فشار خون پایین نیز می‌تواند خطرناک باشد و منجر به گیجی، ضعف، غش و اختلال در اکسیژن رسانی به اندام‌ها و آسیب به مغز و قلب گردد. از این رو پایش مداوم میزان فشار خون در افراد با ریسک بالا بسیار حائز اهمیت می‌باشد، به طوری که استفاده از دستگاه هولتر فشارخون به دلیل قابلیت ثبت طولانی مدت و ارزشمند اطلاعات فشارخون برای بسیاری از بیماران تجویز می‌شود. تلاش برای دستیابی به تکنیک‌های نرم افزاری و توسعه دستگاههای اندازه‌گیری فشارخون بدون کاف، با حفظ آسایش و راحتی بیمار، از مهم‌ترین چالش‌هایی است که ذهن پژوهشگران را به خود اختصاص داده است. در این پژوهش یک چهارچوب یادگیری عمیق بر مبنای شبکهUNet یکبعدی با نظارت عمیق جهت تخمین فشار خون پیوسته از روی سیگنال فوتوپلتیسموگرافی بدون استفاده از روش کالیبراسیون فردی ارائه شده است. مدل ارائه شده بر روی بانک داده UCI برای ۹۴۲ بیمار تحت مراقبت ویژه، به میانگین خطای مطلق ۸۸/۸ ، ۴۳/۴ و ۳۲/۳ و انحراف معیار ۰۱/۱۱، ۱۸/۶ و ۱۵/۴ میلیمتر جیوه به ترتیب برای فشار خون سیستول ، دیاستول و فشار خون میانگین دست یافت. طبق استاندارد بین المللی BHS، روش پیشنهادی، درجهی A برای فشار خون دیاستول و میانگین و نیز درجهیC برای فشار خون سیستول را برآورده میکند. نتایج حاصل از این پژوهش حاکی از آن است که چهارچوب یادگیری عمیق پیشنهادی
