https://virgool.ir/feed/@m_65882912fa2026-11-12 05:16:07https://files.virgool.ir/upload/users/2573071/avatar/u3wfYR.jpghttps://virgool.ir/@m_65882912https://virgool.ir/@m_65882912/سرطان-سینه-با-استفاده-از-داد-الگوریتم-ابشاری-ktyd7k03hykgسرطان سینه با استفاده از داده های ابشاری و الگوریتم های مربوط به ان با استفده از کد های برنامه نویسی پیشرفته در محیط پیشرفته متلب که برای پژوهشگران قابل بررسی میباشد با استفاده ازمحیط شبکه عصبی نکته قابل توجه هر نوع درد و احساس سفت شدن در بعضی نواحی سینه نشان دهنده سرطان نمیباشد ولی باید توسط پزشک و یک رادیو لوژیست قابل پیگیری باشد از علایمی که میتوان به سرطان مشکوک شدمیتوان تغیر رنگ پوسته پوسته شدن و یا افتادگی سینه به طرز ناگهانی و سفت شدن نواحی خاصی از سینه مثل حالت غده مانند بدون حرکت و یا ترشح از نوک سینه چه در مردان و چه در زنان البته بیشتر در زنان قابل مشاهده هست زیرا توده هایی از جنس چربی هستند که قابل حرکت هستند و تشخیص کلسیفیکشن که به دلیل ذخیره انبوهی از کلسیوم هست در ماموگرافی و سونوگرافی که بهتر است هر دو باهم انجام شود ممکنه برای رادیولوژیست احتمال خطا بالا بره به دلیل خستگی و یا تصاویر نامفهوم دو روش مورد تست قرار میگیرد که ماموگرافی و سونوگرافی که هر دو روش زیر نظر پزشک میباشد دستگاه ماموگرافی با استفاده از اشعه ایکس با استفاده از سونوگرافی و برای افراد زیر ۳۰ سال میباشد که طی ان مرحله ژل مخصوص به سونو مالیده. سپس مورد بررسی قرار گرفته میشود بیمار در مهندسی پزشکی و یا هوش مصنوعی در تلاش هستیم با استفاده از مدار عصبی کانولشنالو محیط شبکه عصبی عمیق داده هارا به صورت ابشاری مورد بررسی قرار دهیم زهرا نکویی شهرکی مهندس زهرا نکویی شهرکیمهندس زهرا نکویی شهرکیWed, 13 Dec 2023 17:18:19 +0330https://virgool.ir/@m_65882912/ماموگرافی-با-استفاده-از-برنامه-مهندسی-tattfzlexvbdمهندس زهرا نکویی شهرکی دانشجوی ارشد دانشگاه تهران برنامه متلب برای تشخیص ماموگرافی اولتراسوند یک راه مفید برای تشخیص سرطان پستان است [1] زیرا غیر تهاجمی غیر رادیواکتیو تصویر برداری بلادرنگ و وضوح تصویر بالا هستند. حتی یک متخصص خوب آموزش دیده ممکن است نرخ تغییرات بین ناظران بالایی در تشخیص تومور داشته باشد [2] از این رو تشخیص به کمک کامپیوتر (CAD) میتواند برای کمک به رادیولوژیستها در طبقه بندی و تشخیص سرط ان پستان استفاده شود [63] . اخیراً چندین مطالعه [7-10] روش تشخیص خودکار سرطان پستان را برای طبقه بندی تومورخ وش خیم و بدخیم در تصاویر ایالات متحده مورد بحث قرار دادهاند ثابت شده است که رویکردهای شبکه عصبی کانولوشنال ) می تواند الگوهای بصری CNN در طیف وسیعی از کاربردهای بینایی رایانه بسیار مؤثر هستند .[11-14]. علاوه بر این CNN را مستقیماً از تصاویر پیکسلی با حداقل پیش پردازش تشخیص دهد و کل فرآیند استخراج ویژگی را به طور خودکار انجام د هد. علاوه بر این CNN به طور گسترده در تجزیه و تحلیل تصویر ،پزشکی مانند تقسیم بندی [15] طبقه بندی [16] و تشخی ص [17] استفاده شده است. در سالهای اخیر استفاده از مدلهای CNN در سونوگرافی سرطان سینه پیشرفت چشمگیری داشته ا ست. بایرا و همکاران [18] یک روش تبدیل رنگ پیشنهاد کرد که تصاویر اولتراسوند در مقیاس خاکستری را به تصاویر 3 کان الى (RGB) منتقل می،کند که عملکرد طبقه بندی را افزایش میدهد یاپ و همکاران [19] یک مدل یادگیری عمیق پایان به انتها در تشخیص خودکار ضایعات سونوگرافی پستان پیشنهاد کرد آنها اولین کسانی هستند که تقسیم بندی معنایی را بر رو ی تصاویر BUS پیاده سازی کردند و عملکرد را بین مدلهای مختلف CNN مقایسه کردند یاپ و همکاران [20] یک سیستم تشخی ص خودکار ضایعات اولتراسوندی پستان را با استفاده از مدلهای CNN پیشنهاد کرد که سه مدل مختلف CNN از سیستم های C را برای تشخیص تومور با استف CAD را مقایسه کرد که مشکل وابسته به اپراتور را کاهش .داد در مطالعه ما یک سیستم AD اده از یک روش ترکیب تصویر همراه با نمایشهای محتوای تصویر مختلف و مجموعهای از معماریهای مختلف CNN در تصاویر ایالات متحده پیشنهاد میکنیم. ابتدا منطقه مورد نظر را به صورت دستی استخراج میکنیم که کل تومور و مرز ROI نزدیک به حاشیه تومور را پوشش میدهد ،سپس متخصص به صورت دستی منطقه تومور و تصویر شکل تومور (TSI) را استخراج می کند علاوه بر این ما از یک روش ترکیب تصویر برای افزایش عملکرد تشخیصی سیستم CAD خود استفاده کردیم. مهندس زهرا نکویی شهرکیمهندس زهرا نکویی شهرکیMon, 03 Jul 2023 12:58:45 +0330https://virgool.ir/@m_65882912/سرطان-سینه-fjhs9p0hv2xnبرای تشخیص سرطان سینه با استفاده از تصاویر حرارتی و داده های بالینی راکل سانچز-کاوس*، خورخه پرز-مارتین، مانوئل لوکه گروه هوش مصنوعی، دانشگاه ملی آموزش و پرورش (UNED)، خوان دل روزال، 16، 28040 مادرید، اسپانیا به روز رسانی را بررسی کنید مقاله تاریخچه مقاله: اطلاعات دریافت در 6 دسامبر 2020 پذیرش در 5 مارس 2021 کلید واژه ها: طبقه بندی سرطان سینه داده های بالینی تصاویر حرارتی شبکه عصبی کانولوشنال خلاصه زمینه و هدف: سرطان پستان شایع ترین سرطان در زنان است. در حالی که ماموگرافی پرکاربردترین روش غربالگری برای تشخیص زودهنگام این بیماری است، معایب متعددی مانند قرار گرفتن در معرض اشعه یا هزینه اقتصادی بالا دارد. اخیراً، چندین نویسنده توانایی الگوریتم‌های یادگیری ماشینی را برای تشخیص زودهنگام سرطان سینه با استفاده از تصاویر حرارتی مورد مطالعه قرار دادند و نشان دادند که ترموگرافی می‌تواند به عنوان یک آزمایش مکمل برای ماموگرافی یا حتی به عنوان یک آزمایش اولیه تحت شرایط خاص در نظر گرفته شود. علاوه بر این، اگرچه برخی از داده های شخصی و بالینی به عنوان عوامل خطر سرطان سینه در نظر گرفته می شوند، اما هیچ یک از این کارها این اطلاعات را به همراه تصاویر حرارتی در نظر نمی گیرند. روش‌ها: ما یک رویکرد جدید برای تشخیص زودهنگام سرطان پستان با ترکیب تصاویر حرارتی از نماهای مختلف با داده‌های شخصی و بالینی، ایجاد یک مدل طبقه‌بندی چند ورودی که از مزایای شبکه‌های عصبی کانولوشن برای تجزیه و تحلیل تصویر استفاده می‌کند، پیشنهاد می‌کنیم. ابتدا، ساختارها را تنها با استفاده از تصاویر حرارتی جستجو کردیم. در مرحله بعد، ما داده های بالینی را به عنوان شاخه جدیدی از هر یک از این ساختارها با هدف بهبود عملکرد آن اضافه کردیم. نتایج: ما روش خود را بر روی پرکاربردترین پایگاه داده عمومی تصاویر حرارتی پستان، پایگاه داده تحقیقات ماستولوژی با تصویر مادون قرمز، اعمال کردیم. بهترین مدل دارای دقت 97% و سطح زیر منحنی ROC 0.99، با ویژگی 100% و حساسیت 83% است. نتیجه‌گیری: پس از مطالعه تأثیر تصاویر حرارتی و داده‌های شخصی و بالینی بر شبکه‌های عصبی کانولوشنال چند ورودی برای تشخیص سرطان پستان، به این نتیجه رسیدیم که: (1) افزودن نماهای جانبی به نمای جلو، عملکرد مدل طبقه‌بندی را بهبود می‌بخشد. (2) شامل داده های شخصی و بالینی به مدل کمک می کند تا بیماران بیمار را تشخیص دهد. 2021 نویسندگان. منتشر شده توسط Elsevier B.V. این یک مقاله با دسترسی آزاد تحت مجوز CC BY-NC-ND است مهندس زهرا نکویی شهرکیمهندس زهرا نکویی شهرکیMon, 05 Jun 2023 07:23:20 +0330https://virgool.ir/@m_65882912/سرطان-و-هوش-مصنوعی-bati8ynlhncrتوجه به افزایش شیوع کلی سرطان پستان و کاهش تعداد پاتولوژیست‌ها، حجم کار بر روی بخش‌های پاتولوژی افزایش چشمگیری داشته است. بنابراین نیاز فزاینده‌ای به راه حل‌های خودکار و ابزارهای پشتیبانی برای آسیب شناسان وجود دارد تا سرطان‌ها را سریعتر و با دقتی بالاتر تشخیص دهند.بازار هوش مصنوعی در تشخیص سرطان به‌تنهایی در سال ۲۰۱۸ در ایالات متحده ۱۳۵ میلیون یورو ارزیابی شده است. به گفته مشاوران در یکی از بزرگ‌ترین مؤسسات تحقیقی در بازار جهانی (Research and Markets) این بازار می‌بایست تا سال ۲۰۱۸ افزایشی ۲۰ درصدی را تجربه می‌کرد.مهندس زهرا نکویی شهرکیمهندس زهرا نکویی شهرکیMon, 05 Jun 2023 00:47:28 +0330https://virgool.ir/@m_65882912/ارشد-مهندسی-برق-داشنگاه-تهران-ksvxvw6r4ghsدرمان سرطان یکی از زمینه‌ هایی است که در آن می‌ تواند نقش مهمی را ایفا کند. هوش مصنوعی با تحلیل دقیق داده‌ های پزشکی می ‌تواند به شناخت دقیق‌ تری از بیماری و نیز تشخیص سریع‌ تری از آن کمک کند. همچنین می ‌تواند در تشخیص نوع سرطان و تعیین روش درمان مناسب به کار گرفته شود.مهندس زهرا نکویی شهرکیمهندس زهرا نکویی شهرکیSat, 03 Jun 2023 07:46:12 +0330