![](../template/hn-aefmc/image/item_sign.gif)
![](../template/hn-aefmc/image/item_sign.gif)
![](../template/hn-aefmc/image/item_sign.gif)
![](../template/hn-aefmc/image/item_sign.gif)
![](../template/hn-aefmc/image/item_sign.gif)
درباره مجله عضویت در مجله شناسنامه مجله ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() مقالات منتشر شده ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() آمار بازدید ![]() ![]() ![]() ![]() ![]() |
صفحه اصلی > معرفی یک مدل نوین به منظور طبقه بندی ناهنجاری های کلیه مبتنی بر تکنیک های یادگیری عمیق و تصاویر توموگرافی کامپیوتری با رویکرد تشخیص سنگ ک
.: معرفی یک مدل نوین به منظور طبقه بندی ناهنجاری های کلیه مبتنی بر تکنیک های یادگیری عمیق و تصاویر توموگرافی کامپیوتری با رویکرد تشخیص سنگ ک معرفی یک مدل نوین به منظور طبقهبندی ناهنجاریهای کلیه مبتنی بر تکنیکهای یادگیری عمیق و تصاویر توموگرافی کامپیوتری با رویکرد تشخیص سنگ کلیه
سید محمدجواد حسینی 1*، حانیه ملک شاهی2 1- کارشناسی ارشد، مهندسی پزشکی، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران 2- کارشناسی ارشد، مهندسی پزشکی، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران
ارسال: بهمن ماه 1401 پذیرش: بهمن ماه 1401 چکیده
بیماری سنگ کلیه مرتبا در حال افزایش است. تشخیص این بیماری از سه راه امکان پذیر است؛ معاینه فیزیکی توسط پزشک، آزمایشهای پاتولوژی و تصویربرداری. تصویربرداری نیز شامل اشعه ایکس، توموگرافی کامپیوتری، سونوگرافی و ام آر آی است. به دلیل اینکه تصاویر توموگرافی کامپیوتری قادرند حتی ریزترین سنگها را نمایش دهند، استفاده از این روش به شرط رعایت احتیاطهای لازم، نتیجه مطلوبی در پی خواهد داشت. در این مطالعه با استفاده از تکنیک یادگیری عمیق به طراحی یک مدل تشخیصی و طبقهبندیکننده تصاویر توموگرافی کامپیوتری کلیه پرداخته شد. این مطالعه مبتنی بر استفاده از شبکه عمیق VGG-Net و در بستر زبان برنامهنویسی پایتون بود. فرآیند طراحی مطالعه شامل: جمع آوری دادهها، پیشپردازش تصاویر، اعمال مدل پیشنهادی، طبقهبندی تصاویر به چهار کلاس سالم، کیست، تومور و سنگ، آموزش و اعتبارسنجی و در نهایت تشکیل ماتریس درهمریختگی بود. میزان صحت مدل پیشنهادی 98 درصد و میزان دقت این مدل برای کلاس سنگ 99 درصد، برای کلاس کیست 99 درصد، برای کلاس سالم97 درصد و برای کلاس تومور 98 درصد بود. با توجه به دقت و صحت این مدل طبقهبندی کننده، میتوان از آن برای کمک به پزشک در تشخیص ناهنجاری کلیه بهخصوص سنگ کلیه استفاده نمود. کلمات کليدي: سنگ کلیه، یادگیری عمیق، توموگرافی کامپیوتری، شبکه عصبی، ناهنجاری کلیه. ![]() |
Journal of Science and Engineering Elites www.ElitesJournal.ir www.ElitesJournal.com پست الکترونیک ( ایمیل) : Info@elitesjournal.com تلفن دبیرخانه: 44258197 -021 ساعات پاسخگوئی به تماس: همه روزه از ساعت 11 الی 17 (به جز جمعه ها و ایام تعطیل) فکس دبیرخانه : 89780710-021 |