دوره 32، شماره 1 - ( فروردین 1400 )
جلد 32 شماره 1 صفحات 81-67 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Majidpourkhoei R, Alilou M, Majidzadeh K, BabazadehSangar A. INTRODUCING AN INTELLIGENT FRAMEWORK FOR DETECTION OF SUSPECTED LUNG NODULES. Studies in Medical Sciences 2021; 32 (1) :67-81
URL: http://umj.umsu.ac.ir/article-1-5385-fa.html
URL: http://umj.umsu.ac.ir/article-1-5385-fa.html
مجیدپورخوئی رضا، علیلو مهدی، مجیدزاده کامبیز، بابازاده سنگر امین. ارائه یک چارچوب هوشمند کامپیوتری جهت تشخیص غدد مشکوک ریوی. مجله مطالعات علوم پزشکی. 1400; 32 (1) :67-81
استادیار، گروه مهندسی کامپیوتر، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران (نویسنده مسئول) ، Mehdi.a.m.i.p@gmail.com
چکیده: (2358 مشاهده)
پیش‌زمینه و هدف: یکی از نشانه‌های بروز سرطان ریه، که یکی از مرگبارترین سرطان‌ها محسوب می‌گردد، غده‌های ریوی می‌باشند. به دلیل اینکه آشکارسازی این غده‌های ریز از روی تصاویر سی‌تی‌اسکن ریه با چشم بسیار دشوار می‌باشد بنابراین سیستم‌های هوشمند یا سیستم‌های تشخیص به کمک کامپیوتر (CAD)، می‌توانند به‌عنوان کمک کار متخصص در آشکارسازی، محل یابی و ارزیابی کیفیت غده کمک کنند. مهم‌ترین چالش سیستم‌های هوشمند موجود، ارتقاء متعادل معیارهای دقت، تشخیص، حساسیت و کاهش نرخ خطای مثبت کاذب (FPr) بوده و همچنین پیچیدگی این سیستم‌ها، باعث کاهش کارایی و سرعت اجرا شده است بنابراین هدف از انجام پژوهش حاضر، ارائه یک چارچوب چابک و بهینه سازی چالش مدنظر می‌باشد.
مواد و روش کار: یکی از زیرشاخه‌های نوین هوش مصنوعی، یادگیری عمیق وگرایش شبکه‌های CNN می‌باشند که در سال‌های اخیر، در تحلیل تصاویر پزشکی کاربرد زیادی یافته‌اند. در این پژوهش، یک شبکه ابتکاری مبتنی بر شبکه‌های CNN از نوع LeNet جهت استخراج ویژگی‌های تصویر و همچنین کلاس بندی تصاویر پیشنهاد می‌گردد. دیتاست مورد استفاده، یک زیرمجموعه به تعداد 7072 قطعه تصویر که از مجموعه دیتاست استاندارد LIDC-IDRI حاصل شده است، می‌باشد. غده‌های موجود در این تصاویر که جهت آموزش و اعتبارسنجی شبکه، استفاده می‌شوند دارای اندازه‌های 1 تا 4 میلی متر می‌باشند.
یافته‌ها: فرآیندهای آموزش و اعتبارسنجی این شبکه با یک دستگاه رایانه دارای پردازنده Core i5 2.4GHz، حافظه 8GB و کارت گرافیکIntel Graphics 520 در مدت زمان، پنج ساعت و یازده دقیقه اجرا شده و به میزان دقت، حساسیت و تشخیص به ترتیب برابر با 91.1درصد،85.3درصد و 8/92درصد دست یافته است.
بحث و نتیجه‌گیری: با توجه به مبنای استاندارد مدل ارائه شده و نیز استفاده از تصاویر پایگاه داده معتبر برای سنجش شبکه و مقایسه با کارهای پیشین، نتایج حاصل شده از آن، تعادل خوبی را بین معیارهای ارزیابی برقرار نموده و با اجرای سریع‌تر، قابلیت لازم برای کاربردهای زمان واقعی را کسب می‌نماید.
مواد و روش کار: یکی از زیرشاخه‌های نوین هوش مصنوعی، یادگیری عمیق وگرایش شبکه‌های CNN می‌باشند که در سال‌های اخیر، در تحلیل تصاویر پزشکی کاربرد زیادی یافته‌اند. در این پژوهش، یک شبکه ابتکاری مبتنی بر شبکه‌های CNN از نوع LeNet جهت استخراج ویژگی‌های تصویر و همچنین کلاس بندی تصاویر پیشنهاد می‌گردد. دیتاست مورد استفاده، یک زیرمجموعه به تعداد 7072 قطعه تصویر که از مجموعه دیتاست استاندارد LIDC-IDRI حاصل شده است، می‌باشد. غده‌های موجود در این تصاویر که جهت آموزش و اعتبارسنجی شبکه، استفاده می‌شوند دارای اندازه‌های 1 تا 4 میلی متر می‌باشند.
یافته‌ها: فرآیندهای آموزش و اعتبارسنجی این شبکه با یک دستگاه رایانه دارای پردازنده Core i5 2.4GHz، حافظه 8GB و کارت گرافیکIntel Graphics 520 در مدت زمان، پنج ساعت و یازده دقیقه اجرا شده و به میزان دقت، حساسیت و تشخیص به ترتیب برابر با 91.1درصد،85.3درصد و 8/92درصد دست یافته است.
بحث و نتیجه‌گیری: با توجه به مبنای استاندارد مدل ارائه شده و نیز استفاده از تصاویر پایگاه داده معتبر برای سنجش شبکه و مقایسه با کارهای پیشین، نتایج حاصل شده از آن، تعادل خوبی را بین معیارهای ارزیابی برقرار نموده و با اجرای سریع‌تر، قابلیت لازم برای کاربردهای زمان واقعی را کسب می‌نماید.
واژه‌های کلیدی: سیستم‌های کمک تشخیص کامپیوتری، پردازش تصویر پزشکی، غدد ریوی، شبکه‌های عصبی مصنوعی، یادگیری عمیق
نوع مطالعه: پژوهشي(توصیفی- تحلیلی) |
موضوع مقاله:
عمومى
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
