فهرست مقالات برحسب موضوع مهندسی پزشکی- بیوالکتریک
-
دسترسی آزاد مقاله
1 - ارائه یک فرآیند بهینه ناحیه بندی کبد در تصاویر MRI با استفاده از مدل جریان آب وفقی
مرجان حیدری مهدی تقی زاده حسن معصومی مرتضی ولی زادهناحیه بندی کبد در تصاویر پزشکی، همچنان به عنوان یک چالش در سیستم های تشخیص کامپیوتری محسوب می شود. در این مقاله یک الگوریتم بهینه بر اساس مدل جریان آب وفقی جهت ناحیه بندی، معرفی می شود. این الگوریتم ابتدا تصویر را به وسیله یک تابع تبدیل طراحی شده بر اساس تابع توزیع احتم چکیده کاملناحیه بندی کبد در تصاویر پزشکی، همچنان به عنوان یک چالش در سیستم های تشخیص کامپیوتری محسوب می شود. در این مقاله یک الگوریتم بهینه بر اساس مدل جریان آب وفقی جهت ناحیه بندی، معرفی می شود. این الگوریتم ابتدا تصویر را به وسیله یک تابع تبدیل طراحی شده بر اساس تابع توزیع احتمال سطوح روشنایی پیکسلهای کبد پردازش می کند تا ناحیه کبد را از بقیه بخش ها، متمایز کند. سپس به کمک الگوریتم بارش باران که بر اساس اطلاعات مکانی و سطوح روشنایی کبد کنترل می شود، نواحی احتمالی کبد استخراج و در ادامه نواحی محتمل کبدی با یک شبکه عصبی پرسپترون جند لایه و با استفاده از ویژگیهای شکل و بافت، طبقه بندی می گردند. طبقه بندی نواحی به جای پیکسل ها، باعث افزایش کارایی الگوریتم شده است. نتایج تجربی حاصل شده، عملکرد به مراتب مناسب تری در قیاس با الگوریتم های ارزیابی دیگررا نشان می دهد. پرونده مقاله -
دسترسی آزاد مقاله
2 - تشخیص سیگنال سالم و ناسالم قلبی بر مبنای یادگیری عمیق با استفاده از شبکه عصبی کانولوشن
علیرضا نصرابادیان محمد امین نوش زاده مدیحا عباس زاده بارانی محمد مهدی مرادیطبق اظهارات سازمان جهانی، مهمترین عامل تهدید کننده انسان آریتمی های قلبی می باشند. بر طبق آخرین آمار جهانی بهداشت نزدیک به 50% موارد مرگ و میر بر اثر عاضه های قلبی می باشند. بر اساس تحقیقات 25% موارد مرگ و میر بر اثر بیماری های قلبی، با تشخیص به موقع و صحیح قابل احیا چکیده کاملطبق اظهارات سازمان جهانی، مهمترین عامل تهدید کننده انسان آریتمی های قلبی می باشند. بر طبق آخرین آمار جهانی بهداشت نزدیک به 50% موارد مرگ و میر بر اثر عاضه های قلبی می باشند. بر اساس تحقیقات 25% موارد مرگ و میر بر اثر بیماری های قلبی، با تشخیص به موقع و صحیح قابل احیا می باشند. سیگنال الکتروکاردیوگرام مهمترین و وابسته ترین سیگنال وابسته به قلب می باشد. ثبت این سیگنال کم هزینه و و ثمر بخش می باشد و در تشخیص آریتمی ها بسیار توانمند است. استخراج ویژگی ها مهمترین قسمت برای تشخیص و پردازش می باشند. ویژگی های عمیق بر مبنای شبکه عصبی کانولوشن بسیار توانمند بوده و بادون دخالت دست انجام می شود. در این مقاله با استفاده از یادگیری عمیق بر مبنای شبکه عصبی کانولوشن ویژگی های عمیق استخراج می شوند. سپس نتایج طبقه بندی با صحت متوسط 99.3% و حساسیت متوسط 99.1% با اعتبارسنجی متقابل 10 برابری محاسبه شده است. با توجه به نتایج بدست آمده میتوان گفت که روش پیشنهادی، توانایی طبقه بندی آریتمی های قلببی را با صحت قابل قبول دارا می باشد. پرونده مقاله