ارزیابی SAR از تلفن همراه نزدیک به ضربان ساز کاشته شده در بدن انسان

SAR Evaluations of Mobile Phone Close to a Pacemaker Implanted in Human Body

چکیده
1 . مقدمه
2 . تحلیل عددی
3 . نتایج عددی
4 . ارزیابی های تجربی
5 . نتیجه گیری
منابع

چکیده
اخیرا، تداخل الکترومغناطیسی (EMI) تنظیم کننده ضربان قلب ایمپلنت شده با تلفن همراه بسیار مورد بررسی قرار گرفته است. برای این دستگاه، انجمن متخصصان ملی ژاپن توصیه کرده است که تلفن همراه را در فاصله ای امن از دستگاه تنظیم کننده ضربان قلب قرار دهید. بعلاوه، ارزیابی تعامل بین موج الکترومغناطیسی (EM) و بدن انسان در حال انجام است. بنابراین، جذب انرژی EM توسط بدن انسان به ویژه در اطراف تنظیم کننده ضربان قلب، که در این حالت تلفن همراه در جیب پیراهن بیمار حامل دستگاه قرار دارد، کاملا ارزیابی شده است. محاسبه ی توزیع نرخ جذب خاص (SAR) اطراف مدل دستگاه تنظیم کننده ضربان، که در یک مدل نیم تنه مستطیلی متوازی الاضلاع قرار داده شده است، و هنگامی که یک مدل تلفن همراه در مجاورت آن قرار دارد، فراهم شده است. بعلاوه، SAR به صورت تجربی نیز به کار رفت، تا این محاسبات عددی ارزیابی شوند. تاکید می شود که توزیع SAR می تواند از حضور یا غیاب مدل تنظیم کننده ضربان، تخمین شود. بعلاوه، نتایج اندازه گیری توزیع SAR با محاسبات سازگار می باشند، بنابراین اعتبار آن تایید شده است.

2 . تحلیل عددی
شکل های 1a و 1b، آنتن PIFA قرار گرفته روی یک پایه فلزی، و ویژگی S11 آنتن را در فضای آزاد نشان می دهند. شکل 1b نشان می دهد که PIFA در فرکانس 2GHz رزونانس می کند (تشدید می شود). خط ثابت، نتایج محاسبه، و خط منقطع نتایج اندازه گیری می باشند. قراردادی مناسب بین اندازه گیری و محاسبه به دست آمد. شکل 2 یک مدل تنظیم کننده ضربان را نشان می دهد. این مدل در مرجع [6] آمده است. محفظه ی تنظیم کننده ابعادی برابر 40 x 30 x 6 mm3 دارد، و قطر سیم سربی 2 mm و طول آن 240 mm می باشد. الکترود در قلب جاگذاری می شود تا پتانسیل میوکاردی مشخص شود. ابعاد آن 6 x 6 x 6 mm3 می باشد.

شکل 3 مدل ارائه شدهبرای محاسبات عددی را نشان می دهد. مدل تنظیم کننده در یک فانتوم نیم تنهی مستطیلی قرار گرفته است، و PIFA روی یک پایه فلزی در مجاورت این نیم تنه قرار گرفته است. PIFA در فرکانس 2 GHz عمل می کند، و توان خروجی 0.25 W خواهد بود. در این بخش، نیم تنه به یک مستطیل متوازی الاضلاع ساده شده است، که ویژگی های الکتریکی آن با عضلات انسان یکسان می باشند [7]. این خصوصیات به صورت زیر می باشند – گذردهی نسبی εr = 54.2، رسانایی σ = 1.5 S/m در فرکانس 2 GHz، و چگالی ρ = 1040 kg/m3. PIFA در فاصله 15 mm از سطح مدل نیم تنهی قرار می گیرد. این فاصله با استفاده از مرجع [8] انتخاب شده است. بعلاوه، PIFA در جهت z ( شکل 4a) و x (شکل 4b) قرار گرفته است، تا وابستگی آن به جهت پایه ی فلزی بررسی شود. جدول 1 پارامترهای محاسبات FDTD را لیست کرده است.

3 . نتایج عددی
در محاسبه ی SAR در اطراف مدل تنظیم کنند، PIFA در صفحه ی x-z اسکن می شود. شکل 4 ناحیه ی اسکن نقطه ی تغذیه ی PIFA قرار گرفته بر پایه فلزی را نشان می دهد. SAR زمانی محاسبه می شود، که نقطه ی تغذیه ی PIFA، با هر نقطه ی شبکه در شکل 4 تطابق داشته باشد. بعلاوه، SAR در هر موقعیت، به SAR میانگین 10-g تبدیل می شود [9]. در این قسمت، SAR میانگین 10-g در مقداری که SAR محلی دارای میانگین بافت 10 g باشد، تعریف می گرد.

محاسبات SAR در اطراف ضربان ساز قلبی کاشته شده توسط ترمینال رادیویی بی سیم

Calculations of SAR around Implanted Cardiac Pacemaker Induced by Wireless Radio Terminal

چکیده
1 . مقدمه
2 . مدل عددی
3 . نتایج محاسبات
4 . نتیجه گیری
منابع

چکیده
اخیرا، تداخل الکترومغناطیسی (EMI) یک تنظیم کننده ی ایمپلنت شده القایی با یک پایانه ی رادیویی سیار، بررسی شده است. با این حال، مطالعات کمی در مورد نرخ جذب خاص (SAR) در اطراف تنظیم کننده ی ضربان القایی توسط پایانه ی رادیویی سیار وجود دارند. در این مقاله، رابطه ی بین موقعیت تنظیم کننده قرار گرفته در یک مدل نیم تنه، مدل پایانه رادیویی بیسیم، و SAR مورد بررسی قرار می گیرند. در نتیجه محاسبات، احتمال افزایش SAR در برخی موارد مشاهده شده اند.

2 . مدل عددی
شکل 3 یک آنتن F معکوس صفحه ای با پایه ی فلزی را نشان می دهد، که پایانه ی رادیویی سیار را شبیه سازی می کند، و ضریب بازتاب آن در نقطه ی تغذیه محاسبه شده است. این آنتن در فرکانس 2 گیگاهرتز عمل می کند و توان خروجی برابر 0.25 وات می باشد. شکل 4 یک مدل تنظیم کننده ایمپلنت شده در مدل نیم تنه انسان را نشان می دهد. این مدل همانند مدل ارائه شده در مرجع [5] می باشد. در این بخش، محفظه ی تنظیم کننده دارای ابعاد 40 x 30 x 6 mm3 می باشد، و سیم سربی دارای قطر 2 میلی متر و طول 240 میلی متر می باشد. رابط بین محفظه ی تنظیم کننده و سیم سربی، یک فضای خالی 2 میلی متری دارد. شکل 5 آرایش مدل نیم تنه و مدل پایانه رادیویی سیار را نشان می دهد. نیم تنه با یک متوازی الاضللاع مستطیلی شکل شبیه سازی می شود، که ویژگی های الکتریکی آن همانند عضلات انسانی است [6]. آنتن در دو حالت، در راستای محور z ( شکل 5a) و در راستای محور x (شکل 5b)، قرار می گیرد. شکل 6 ناحیه ی اسکن نقطه ی تغذیه را نشان می دهد. در این مقاله، به منظور یافتن بدترین حالت ( موقعیت مدل پایانه ی رادیویی سیار و مدل تنظیم کننده ضربان)، تحت برخی فرضیات، مدل پایانه ی رادیویی سیار در ناحیه ی اسکن، تصویربرداری (اسکن) خواهد شد. در این بخش، مبدا مختصات در ناحیه ی اسکن، فضای خالی بین محفظه ی تنظیم کننده و سیم سربی می باشد. ناحیه ی اسکن تا زمانی که مقادیر SAR در مجاورت خود به طور مناسب کم باشد، بزرگ می شود.

مقادیر SAR هنگامی که نقطه ی تغذیه بر نقطه شبکه ی ناحیه ی اسکن، با تعریف زیر، منطبق شد، محاسبه می شوند.
(1) که در آن σ رسانایی بافت بیولوژیک [S/m]، ρ تراکم بافت بیولوژیک [kg/m3]، و E میدان الکتریکی (rms) [V/m] می باشند. به منظور محاسبه ی مقادیر SAR در هر نقطه، روش دامنه زمانی اختلاف متناهی (FDTD) [7] به کار رفته است. جدول 1 پارامترهای محاسبات FDTD را نمایش می دهد.

3 . نتایج محاسبات
شکل 7 ، SAR میانگین 10-g محاسبه شده را در منطقه ی اسکن، هنگامی که عمق تنظیم کننده برابر d = 14 mm می باشد، را نشان می دهد. از شکل 7a، حداکثر SAR میانگین 10-g در مبدا ناحیه ی اسکن، در جهت z آنتن، مشاهده می شود. از سوی دیگر در شکل 7b، حداکثر SAR ماینگین 10-g در نقطه ی x= 10mm و z= -30 mm مشاهده می شود. این نقطه موقعیتی است که سیم سربی در جهت x (قسمت طویل تر) تقریبا با مرکز پایه ی فلزی مدل پایانه ی رادیویی سیار هم پوشانی دارد. بعلاوه، حداکثر مقادیر هر دو SAR میانگین 10-g برابر 1.36 W/kg می باشند.

تصویربرداری آکوستیک قلب با استفاده از آرایه های میکروفون

Acoustic Imaging of Heart Using Microphone Arrays

چکیده
1.مقدمه
2.شبیه سازی ها
3.قطعه بندی
4.تست های تجربی
5.نتیجه گیری
منابع

چکیده
در این مطالعه یک روش جدید برای تصویربرداری صوتی از قلب پیشنهاد شده است. تصور می شود که قلب یک منبع صوتی گسترده است که از قسمت های مختلف خود صدا ایجاد می کند. از یک روش ثبت مالتی سنسور همزمان برای ثبت صدای قلب از دیواره قفسه سینه ی استفاده شد. با استفاده از تکنیک های جهت دهی پرتو، داده های ثبت شده با همدیگر ترکیب شده و یک نمایش دو بعدی یا سه بعدی از توزیع صدای قلب ایجاد کردند. این نقشه انرژی صوتی قلب در نقاط مختلف را نشان می دهد. شبیه سازی ها با آرایش های مختلف برای ارزیابی کارایی این سیستم انجام می شوند. صدای قلب بدون هیچگونه نیازی به سیگنال های زیستی دیگر و با استفاده از یک روش بدون نظارت قطعه بندی می شود. از این روش برای تفکیک صدای اول و دوم قلب استفاده می شود. سیگنال قطعه بندی شده در الگوریتم جهت دهی پرتو استفاده می شود. این کار منجر به ایجاد نقشه فضا-زمان برای صدای قلب در بازه های عملکردی مختلف می شود. دستگاهی برای ثبت صدای قلب از روی قفسه سینه طراحی و به کارگرفته شد.برای پردازش سیگنال جهت تشکیل یک تصویر دو یا سه بعدی، داده ها روی یک کامپیوتر شخصی ذخیره شدند. این روش تصویربرداری کم هزینه و غیر تهاجمی جنبه های جدیدی ارائه می دهد که با مطالعات بیشتر می تواند به پزشکان در تشخیص دقیق تر بیماری های قلبی کمک کند.

2.شبیه سازی ها
صوت یک موج مکانیکی است که با سرعتی در محیط پخش می شود که عمدتا به جنس محیط و شرایط آن بستگی دارد. صوت از یک منبع ایجاد شده و در محیط جریان می یابد و ما می توانیم با استفاده از یک سنسور مانند میکروفون آن را حس کنیم. قلب یک منبع صوت گسترده است که از بخش های مختلف خود صدا تولید می کند. این منبع را میتوان با برخی از نقاط منبع دیگر که جداگانه صوت تولید می کنند تخمین زد. اگر ما بتوانیم انرژی سیگنال هر نقطه را تخمین بزنیم با تلفیق این داده ها نقشه ای خواهیم داشت که انتشار صدای قلب از طریق توراکس را نمایش خواهد داد. در نتیجه تصویری شکل می گیرد که می توان آن را تصویری صوتی قلب نامید.

A. بیم فرمر تاخیر و جمع (Delay-and-sum beamformer)
بیم فرمینگ یکی از متداولترین راه حل ها برای یافتن مکان صوت است. در این پژوهش از یک بیم فرمر تاخیر و جمع برای یافتن منشاء صوت استفاده شد. روشن شده است که رزولوشن تصویربرداری برای قفسه سینه انسان نمی تواند بهتر از حدود 2 سانتیمتر باشد. بنابراین، بیم فرمر ناحیه کل سینه را با تمرکز بر هر نقطه در فاصله 1 سانتیمتری اسکن می کند. و انرژی سیگنال هر نقطه را تخمین زده و یک عدد بین 0 تا 1 بر اساس بیشنه و کمینه انرژی به آن نقطه می دهد.

B. مدل انتشار صوت در قفسه سینه انسان
خصوصیات صوتی قفسه سینه انسان به دلیل پیچیدگی کمتر شناخته شده اند. سرعت صدا از 23 متر بر ثانیه تا 1500 متر بر ثانیه متغییر است. با توجه به مطالعات پیشین، سرعت صوت در توراکس کم و در حدود 10 متر بر ثانیه است. سرعت صوت در دیواره قفسه سینه و بافت قلب حدود 1500 متر بر ثانیه است. مسیرهای هوایی بزرگ صوت را از با سرعت 222 تا 312 متر بر ثانیه انتقال می دهند. سرعت صوت پارانشیمی بین 23 و 6

ویژگی های توجه عمیق برای جداسازی پروستات در سونوگرافی

Deep Attentional Features for Prostate Segmentation in Ultrasound

چکیده

1- مقدمه

2- ویژگی‌های توجه عمیق برای جداسازی

2-1 بررسی کلی روش

2-2 ویژگی‌های توجه عمیق

3- آزمایش‌ها

3-1 مواد

3-2 استراتژی‌های آموزش دادن و آزمایش کردن

3-3 عملکرد جداسازی

4- نتیجه‌گیری

چکیده

تقسیم خودکار پروستات در ﺳﻮﻧﻮﮔﺮاﻓﯽ ﺗﺮاﻧﺲ رﮐﺘﺎل (TRUS) برای بافت‌برداری تصاویر هدایت‌شده‌ پروستات و برنامه‌ریزی درمان بسیار حائر اهمیت می‌باشد. همچنین به‌دلیل مرز مبهم و توزیع شدت غیرهمگن پروستات در TRUS، توسعه دادن اینگونه راه‌حل‌های خودکار هنوز چالش‌برانگیز باقی‌مانده است. در این پژوهش، یک شبکه‌ی عصبی عمیق جدید که با ماژول‌های ویژگی توجه عمیق (DAF) مجهز شده است، برای جداسازی بهتر پروستات در TRUS با استفاده از استخراج کردن اطلاعات مکمل کدگذاری‌شده در لایه‌های مختلف شبکه‌ی عصبی پیچشی (CNN) توسعه داده شده است. همچنین DAF متعلق به ما جهت انتخاب قدرت نفوذ ویژگی‌های چندگانه‌ی ادغام‌شده از طریق لایه‌های مختلف برای تصحیح کردن ویژگی‌های هر لایه‌ی منحصربه‌فرد، متوقف کردن سرو‌صدای غیرپروستات در لایه‌های کم‌عمق CNN و افزایش دادن تعداد جزئیات پروستات درون ویژگی‌های لایه‌های عمیق از مکانیزم توجه استفاده می‌کند. ما تأثیر شبکه‌ی پیشنهادی را بر روی تصاویر چالش‌بر‌انگیز TRUS پروستات و همچنین نتایج تجربی ارزیابی می‌کنیم تا عملکرد بهتر روش‌های نوین را به‌وسیله‌ی یک تفاوت مزیت بزرگ نشان دهیم.

1- مقدمه

سرطان پروستات به‌عنوان رایج‌ترین سرطان غیرپوستی شناخته می‌شود و دومین سرطان ایجاد‌کننده‌ی مرگ در مردان می‌باشد ]9[. فراوادرمانی ترانس‌رکتال (TRUS) یک حالت تصویر‌برداری معمول برای بافت‌برداری تصاویر هدایت‌شده‌ و درمان سرطان پروستات می‌باشد. جداسازی پروستات از طریق TRUS برای برنامه‌ریزی درمان بسیار حائز اهمیت می‌باشد ]10[ و می‌تواند به تثبیت مبتنی بر سطح بین TRUS و MRI قبل از عمل در هنگام مداخلات تصاویر هدایت‌شده کمک نماید ]11[. همچنین به‌دلیل از بین رفتن یا مبهم بودن مرز و توزیع شدت غیرهمگن پروستات در TRUS و همچنین تغییرات شکلی بزرگ پروستات‌های مختلف، جداسازی دقیق پروستات در TRUS هنوز چالش‌بر‌انگیز باقی‌مانده است (شکل 1 مشاهده شود).

Abstract

Automatic prostate segmentation in transrectal ultrasound (TRUS) is of essential importance for image-guided prostate biopsy and treatment planning. However, developing such automatic solutions remains very challenging due to the ambiguous boundary and inhomogeneous intensity distribution of the prostate in TRUS. This paper develops a novel deep neural network equipped with deep attentional feature (DAF) modules for better prostate segmentation in TRUS by fully exploiting the complementary information encoded in different layers of the convolutional neural network (CNN). Our DAF utilizes the attention mechanism to selectively leverage the multi-level features integrated from different layers to refine the features at each individual layer, suppressing the non-prostate noise at shallow layers of the CNN and increasing more prostate details into features at deep layers. We evaluate the efficacy of the proposed network on challenging prostate TRUS images, and the experimental results demonstrate that our network outperforms state-of-the-art methods by a large margin.

1 Introduction

Prostate cancer is the most common noncutaneous cancer and the second leading cause of cancer-related deaths in men [9]. Transrectal ultrasound (TRUS) is the routine imaging modality for image-guided biopsy and therapy of prostate cancer. Segmenting prostate from TRUS is of essential importance for the treatment planning [10], and can help surface-based registration between TRUS and preoperative MRI during image-guided interventions [11]. However, accurate prostate segmentation in TRUS remains very challenging due to the missing/ambiguous boundary and inhomogeneous intensity distribution of the prostate in TRUS, as well as the large shape variations of different prostates (see Fig. 1).

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

ویژگی های توجه عمیق برای جداسازی پروستات در سونوگرافی

Deep Attentional Features for Prostate Segmentation in Ultrasound

یک چارچوب متوالی برای دسته بندی تومور مغزی: CNNN-LSTM

CNN-LSTM: Cascaded Framework For Brain Tumour Classification

چکیده

I) مقدمه

II) مرور کارهای پیشین

III) مواد و روش‌ ها

الف) VGG-16 برای استخراج ویژگی

ب‌) LSTM برای دسته‌بندی

ج‌) طراحی شبکه و دیتاست

IV) نتایج و بحث

V) نتیجه‌گیری و کار‌های پیش‌ رو

چکیده

گلیما یکی از رایج‌ترین تومور‌های مغزی در بزرگسالان است که از سلول‌های گلیا  نشات (سرچشمه) می‌گیرد. علیرغم پیشرفت‌های موجود در حوزه تحقیقاتی گلیما و آنالیز تصاویر پزشکی، مسئله عیب‌یابی دقیق، یکی از چالش‌های موجود است. در حالت کلی می‌توان گلیما را به دو دسته‌ی درجه بالا  و درجه پایین ، تقسیم‌بندی می‌شود. دسته‌بندی دقیق گلیما به ارزیابی میزان پیشرفت بیماری و انتخاب استراتژی درمان،‌ کمک می‌کند. علیرغم اینکه دسته‌بندی تصاویر پزشکی با استفاده از شبکه‌های عصبی پیچشی  توانسته است به موفقیت‌های قابل ملاحظه‌ای دست یابد،‌ اما همچنان استفاده از این شبکه‌ها برای دسته‌بندی تصاویر سه بعدی (3D) یکی از کارهای دشوار می‌باشد. یکی از محدودیت‌های اصلی این شبکه‌ها، سختی بهینه‌سازی دستبه‌بندی حجمی سه بعدی در شبکه‌های CNN است. ما در این تحقیق،‌ با معرفی یک ساختار متوالی که از توالی شبکه  CNN و شبکه حافظه بلند‌مدت   حاصل گردیده است، این چالش را برای دسته‌بندی تصاویر MR تومور مغزی (دسته‌بندی به دو دسته‌ی LG و HG) مورد ملاحظه قرار داده‌ایم.  ویژگی‌ها با استفاده از VGG-16  پیش آموزش داده شده، استخراج شده و به یک شبکه  LSTM  داده می‌شود تا برای دسته‌بندی تصاویر گلیما به دو دسته HG و LG، ویژگی‌های سطح بالا استخراج گردد. نتایج نشان داد که استخراج ویژگی‌ها با استفاده از VGG-16 در مقایسه با ویژگی‌های استخراج شده توسط شبکه الکس  و شبکه رست ، دارای عکلکرد بهتری است.

I) مقدمه

رشد بیش از حد  سلول‌های مغزی،‌باعث ایجاد توده‌ای می‌شود که این توده‌ای می‌شود که این توده بر روی ساختار‌‌های طبیعی موجود در مغز فشار ایجاد می‌کند. این توده غیرنرمال، به سرعت رشد کرده و یک توده از سلول‌های غیرنرمال ایجاد می‌کند که این توده، تومور نامیده می‌شود. تومور‌های مغزی از نظر اندازه و سایز و میزان وخیم بودن، ‌با  یکدیگر تفاوت دارند. ذات این تومور‌ها ناهمگن است یعنی ممکن است در هر جایی از سیستم عصبی مرکزی  ایجاد شوند و چگالی تصویر در آن ها با یکدیگر متفاوت است. بیشتری تومور‌های مغزی در بزرگسالان،‌ تومور گلیماس است. رشد بیش ازحد سلول‌های گلیا  در مغز که نورون‌ها را احاطه کرده اند، ‌منجر به ایجاد گلیماس می‌شود [1]. 

V) نتیجه‌گیری و کار‌های پیش‌ رو

در این تحقیق برای دسته‌بندی تومور مغزی به دو دسته درجه بالا و درجه پایین، یک مدل از توالی سیستم‌های CNN و LSTM پیشنهاد دادیم. نتایج شبیه‌سازی‌ها بر روی ساختار‌های ممتاز از CNN نشان داد که مدل VGG-16   با استفاده از استخراج ویژگی‌های سطح بالا، بهترین عملکرد را داشته و موجب می‌شود که LSTM بتواند بین  دو نوع گلیما (گلیما با درجه بالا و گلیما بادرجه پایین) به خوبی  تمایز قائل شود. مزیت دیگر این روش این است که بر روی داده‌های سه بعدی، به طور مقاوم عمل می‌کند (یعنی حساسیت آن نسبت به داده‌های سه بعدی، اندک است). در ادامه، این تحقیق را برای عمل بخش‌بندی تعمیم خواهیم داد و مدلی را طراحی خواهیم کرد که بتواند با تعداد محدودی از داده های آموزش، برچسب پیکسل‌ها را پیش‌بینی کند.

Abstract

Glioma is common type of brain tumour in adults originating from glia cell. Despite advances in medical image analysis and gliomas research, accuarte diagnosis remains a challenge. Gliomas can be in general classifed into High Grade (HG) and Low Grade (LG). The exact classification of glioma helps in evaluating the disease progression and selection of the treatment strategy. Whilst medical image classification using a Convolutional Neural Networks (CNNs) has achieved remarkable success, but it is still difficult task for CNNs to accurately classify 3D medical images. One of the major limitation is the fact that CNNs are difficult to optimize in 3D volumetric classification. In current work, we addressed this challenge by introducing a cascade of CNN with Long Short Term Memory (LSTM) Network for classification of 3D brain tumor MR images into HG and LG glioma. Features from pre-trained VGG-16 were extracted and fed into LSTM network for learning high-level feature representations to classify the 3D brain tumour volumes into HG and LG glioma. The results showed that the features extracted from VGG-16 gave better classification accuracy as compared to the features extracted from AlexNet and ResNet.

I. INTRODUCTION

Abnormal growth of cells in the brain results in a mass, which pushes on the normal structures in the brain. This abnormal mass grows quickly and creates a mass of abnormal cells called a tumour. Brain tumours vary in shape, size and severity level. They are heterogeneous in nature i.e. they can occur anywhere in the Central Nervous System (CNS) and have different Image Intensities. The most frequent brain tumours in adults are gliomas. The abnormal growth of the glial cell in the brain that surrounds the neurons results in the formation of gliomas[1].

V. CONCLUSION & FUTURE WORK

In this work, we have proposed a cascaded CNNLSTM model for volumetric classification of a brain tumour into High Grade and Low Grade glioma. Experimental results on the state of the art CNN architectures have shown that the VGG-16 model performs the best by extracting the high-level feature representations and thus enables the LSTM to effectively discriminate between HG and LG glioma. Another advantage of this method is that it is able to perform robustly on high dimensional 3D data. In future, we will extend this work for segmentation task by designing a model that can accurately predict the pixel labels for a brain tumour with a limited amount of training data.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

یک چارچوب متوالی برای دسته بندی تومور مغزی: CNNN-LSTM

CNN-LSTM: Cascaded Framework For Brain Tumour Classification

تشخیص احساسات انسانی با الکتروانسفالوگرافی (EEG) با استفاده از رویکرد برنامه نویسی دینامیکی

Detecting Human Emotions Using Electroencephalography (EEG) using Dynamic Programming Approach

چکیده

1 مقدمه

2 کارهای مرتبط

3 روش‌شناسی و طراحی تجربی

4 نتایج

A) احساسات طبیعی

B) احساسات القایی

5 نتیجه‌گیری

چکیده

در طول چند دهه گذشته رابطه‌ی بین احساسات انسانی و سیگنال‌های EEG بطور مستمر مورد مطالعه قرار گرفته است. در این مقاله، ما تلاش جدیدی را در راستای اندازه‌گیری فعالیت مغز انسان و آنالیز سیگنال‌های آن با استفاده از الکتروانسفالوگرافی (EEG) بمنظور طبقه‌بندی احساسات انسانی نشان داده شده توسط موجک‌ های مغز انجام می‌دهیم. در این پژوهش، ما جهت آشکارسازی یا پی‌بردن به احساساتی همچون شادی، غم و ترس موجک های مغز دانشجویان دختر را مورد بررسی قرار خواهیم داد. در این پژوهش از حسگر های مخصوص طراحی شده که بر روی پوست سر قرار داده می‌شوند، استفاده خواهد شد. سیگنال های اندازه‌گیری شده به یک دستگاه محاسبه‌گر فرستاده می‌شوند. اطلاعات جمع‌آوری شده توسط سیستم نرم‌افزاری که توسط تیم ما ایجاد شده‌است، تجزیه و تحلیل می‌شوند. زمانیکه دستگاه برای هر احساس، سیگنال خاصی را دریافت می‌کند، ما از یک برنامه نویسی دینامیکی جهت پی بردن به حداکثر تعداد خدمات با کیفیت که برای کاربران فراهم می شوند، استفاده می‌کنیم.

5- نتیجه‌گیری

EEG در بیمارستان‌ها و زندان‌ها برای پی‌بردن به احساسات مجرمان و بیماران مورد استفاده قرار می‌گیرد. آن‌ها دریافتند که برخی روابط بین ویژگی‌های EEG و تمامی حس‌ها وجود دارد. این اطلاعات توسط دکتر در بیمارستان و توسط پلیس در موارد وقوع جرم کنترل می‌شوند. بر اساس نتایجی که ما در طول مطالعه سه حس برای سه دختر به آن‌ها رسیدیم. ما برنامه C++ مبتنی بر برنامه‌نویسی دینامیکی را جهت پی‌بردن به حداکثر خدمات با کیفیت که برای کاربران فراهم می‌شود زمانیکه دستگاه سیگنال‌های بخصوصی را برای هر حس ثبت می‌کند، بکار گرفتیم. ما از این نتایج به عنوان نقطه‌ی مرجع برای مقایسه‌ی موارد جدید با آن، جهت پی‌بردن به اینکه این مورد با کدام رفتار مطابقت دارد و همچنین پی‌بردن به مقدار درصد وضعیت عاطفی با استفاده از برنامه‌نویسی جاوا، استفاده کردیم.

Abstract

The relation between human emotions and EEG signals have been actively studied during the last few decades. In this paper, we study a novel attempt to measure the human brain activity and analyze its signals using electroencephalography (EEG) in order to classify the human emotions indicated by the brain wavelets. The study will measure the brain wavelets of female students in order to detect the emotions of happiness, sadness, and fear. This study will use specially designed sensors placed around the scalp. The measured signals transfer to a computing device. The data collected analyze by a software system, which developed by our team. We use dynamic programming to extract the maximum number of quality service that provides to the user when the device captures specific signals for each emotion.

V- CONCLUSIONS

The EEG used in hospital and prisons to know the emotions of the offenders and patients. They find that there some relations between the characteristics of EEG and all emotions. These data managed by the doctor in hospital and policeman in case of crime. Based on the results that we reached during studying the three emotions for three girls. We implement a C++ program based on dynamic programming to extract the maximum number of quality service that provides to the user when the device captures specific signals for each emotion. We used these results as the reference point to compare the new cases with it to know this case related to which emotion and to know how much the percentage of the emotional status by using java programming.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص احساسات انسانی با الکتروانسفالوگرافی (EEG) با استفاده از رویکرد برنامه نویسی دینامیکی

Detecting Human Emotions Using Electroencephalography (EEG) using Dynamic Programming Approach

یک سیستم خبره بر پایه شبکه عصبی برای تشخیص دیابت شیرین

A Neural Network Based Expert System for the Diagnosis of Diabetes Mellitus

چکیده

1- معرفی

2- مرور منابع

2-1- کارهای مرتبط

3- روش شناسی

3-1- طراحی شبکه عصبی

لایه ورودی

لایه های پنهان

لایه خروجی

4- پیاده سازی

5- بحث

چکیده

دیابت یک بیماری است که گلوکز خون، یا سطح قند خون در بدن، بسیار بالا هستند. آسیب های ناشی از دیابت می توانند بسیار مختلف بوده و حتی در زنان آبستن، به دلیل زمینه برای انتقال بیماری ارثی به نسل بعدی، بیشتر قابل توجه هستند. سیستم های متخصص اکنون برای تشخیص پزشکی امراض در بیماران، به منظور تشخیص بیماری و کمک به ارائه راه حل برای آن، استفاده می شوند. این تحقیق، یک مدل شبکه عصبی برای تشخیص دیابت شیرین در زنان حامله، ایجاد و به کار گرفت. مدل یک شبکه عصبی پیشخور(feed forward network) چهار لایه، که با استفاده از الگوریتم بازگشت به عقب (back-propagation)، آموزش دیده است. لایه ورودی، 8 نورون دارد، دو لایه ی مخفی، هرکدام 10 نورون داشته، و لایه خروجی یک نورون دارد، که هر کدام نتایج تشخیص (diagnosis result) هستند. مدل توسعه یافته نیز در یک برنامه مبتنی بر وب، برای تسهیل استفاده از آن، گنجانده شده است. اعتبارسنجی توسط رگرسیون، نشان می دهد که شبکه ی آموزش دیده، بیش از 92%، دقیق است.

5- بحث

این تحقیق یک مدل شبکه عصبی برای کمک به تشخیص اینکه زنان حامله دیابت دارند یا نه، ایجاد کرده است. مدل ایجاد شده همچنین در یک نرم افزار مبتنی بر وب، برای دسترسی آسان، قرار داده شد. به همین ترتیب، کارکنان بهداشتی و یا بیماران در نقاط دور دست می توانند به سیستم دسترسی داشته باشند، داده های بیمار را در زمان واقعی وارد کنند و تشخیص را بدون نیاز به حضور در اطراف بیمار، مکاتبه کنند. برخی توصیه ها برای پیشرفت آن شامل یک سکوی(سطح مذاکره، اساس) موبایل Mobile Platform می باشد. سیستم در حال حاضر روی یک پلت فرم مبتنی بر وب می باشد، اما می تواند بیشتر سودمند باشد اگر که بتواند روی یک پلت فرم موبایل، که در آن دسترسی آفلاین به گوشی ها و دستگاه های دیگر وجود دارد، قرار گیرد.

Abstract

Diabetes is a disease in which the blood glucose, or blood sugar levels in the body are too high. The damage caused by diabetes can be very severe and even more pronounced in pregnant women due to the tendency of transmitting the hereditary disease to the next generation. Expert systems are now used in medical diagnosis of diseases in patients so as to detect the ailment and help in providing a solution to it. This research developed and trained a neural network model for the diagnosis of diabetes mellitus in pregnant women. The model is a four-layer feed forward network, trained using back-propagation and Bayesian Regulation algorithm. The input layer has 8 neurons, two hidden layers have 10 neurons each, and the output layer has one neuron which is the diagnosis result. The developed model was also incorporated into a web-based application to facilitate its use. Validation by regression shows that the trained network is over 92% accurate.

5- Conclusion

This research has developed a neural network model to help in the diagnosis of pregnant women whether they have diabetes or not. The developed model has also been incorporated into a web based application for easy accessibility. As such, health workers or patients at remote locations can access the system, enter patient data in real time and communicate the diagnosis without having to be around the patient. Some recommendations for its advancement include a Mobile Platform. The system is on a web-based platform at the moment but it would be more beneficial if the system can be based on mobile platforms where there can be offline access on phones, and other devices.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

یک سیستم خبره بر پایه شبکه عصبی برای تشخیص دیابت شیرین

A Neural Network Based Expert System for the Diagnosis of Diabetes Mellitus

تشخیص زود هنگام صرع با استفاده از ثبت نوری و برقی

Detecting Epileptic Seizures in Advance Using Optical and Electrical Recordings

چکیده

1- مقدمه

2- ثبت EEG و fNIRS

3- روش

4- نتایج

5- نتیجه‌گیری و کار‌های آینده

چکیده

این مقاله، نتایج ابتدایی در مورد تشخیص حمله صرعی ارائه می‌دهد. ترکیب روش‌های طیف‌سنجی عملکردی نزدیک به مادون قرمز و الکتروآنسفالوگرام ، عملکرد بهتری نسبت به روش صرف EEG نشان می‌دهد. علاوه‌براین، بعضی نتایجی که پیش‌بینی می‌کند می‌توان حمله را تشخیص داد نیز ارائه شده است.

مقدمه

صرع جزء یکی از سه اختلال عصبی شایع است؛ این بیماری بعد از سکته مغزی و بیماری آلزایمر در رتبه سوم قرار دارد. تخمین زده شده 65 میلیون نفر در سراسر جهان که حدود 1% از جمعیت جهان را تشکیل می‌دهد، از صرع رنج می‌برند. به طور متوسط سالانه 60 مورد جدید شامل 100 هزار نفر اضافه می‌شوند.

نتیجه گیری

اگر چه نتایج حاصل از مطالعه موردی قطعی نیست، اما جدول 2 نشان می‌دهد که افزودن ویژگی‌های fNIRS به یک آشکارساز مبتنی بر EEG، عملکرد آن را به طور قابل توجهی بهبود می بخشد. علاوه براین براساس جدول 3 و شکل 5، تایید کردیم که اطلاعات موجود در fNIRS می‌تواند به تشخیص خیلی سریع‌تر حملات کمک کند.

با توجه به این نتایج امیدوارکننده، پژوهش‌های آتی ما در مورد به‌کارگیری این روش بر روی طبقه‌بندی‌کننده‌های دیگر و مجموعه داده‌های بزرگتر خواهد بود. همچنین بر استخراج ویژگی‌های جدیدتر و بهتر از سیگنال‌های fNIRS تمرکز خواهیم کرد و آنها را با ویژگی‌های استخراج شده از ثبت EEG ترکیب می‌کنیم. یکی از محدودیت‌های کار ما، عدم استفاده از الگوریتم انتخاب ویژگی است که اگر چه با توجه به نتایج امیدوار کننده تنها بر اساس استخراج دامنه سیگنال‌ها به عنوان ویژگی ممکن است مورد نیاز نباشد. در روش یادگیری ماشین ارائه شده، انتخاب پارامترهای بهینه مانند نوع هسته‌ی ماشین بردار پشتیبان و پارامترهای مرتبط با آن، تعداد نورون‌ها در لایه پنهان شبکه عصبی و همچنین فرآیند انتخاب ویژگی، در کار آتی بررسی خواهد شد.

Abstract

This paper presents preliminary results on epileptic seizure detection. Combination of functional Near Infrared Spectroscopy (fNIRS) and Electroencephalogram (EEG) recordings shows enhanced performance compare to EEG recordings alone. Moreover, some results concerning the anticipation at which a seizure can be detected are also presented.

INTRODUCTION

Epilepsy is one of the top three most common neurological disorders; it is just below strokes and Alzheimer disease [1]. It is estimated that 65 million people around the world suffer from epilepsy, which represents approximately 1% of the global population [2]. On average, 60 new cases of epilepsy 100,000 people emerge every year [2]–[4].

CONCLUSIONS AND FUTURE WORK

Even though results from a case-study are not conclusive, Table 2 suggests that adding fNIRS features to an EEG-based detector will considerably improve its performance. Furthermore, from Table 3 and Fig. 5 we confirmed that information contained within fNIRS can help to detect seizures much earlier. Given these promising results, our future work will be to try the same approach with others classifiers on a larger sample. We will also focus on extracting new and better classification features out of the fNIRS signals and combine them with features extracted from EEG recordings. One limitation of our work is the lack of implementation of a feature selection algorithm, although it may not be needed, given the promising results using only the amplitude of signals as features. The choice of optimal parameters in our machine learning approaches, such as SVM kernel type and its associated parameters, number of neurons in the ANN hidden layer as well as a feature selection process will be tackled in future work.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص زود هنگام صرع با استفاده از ثبت نوری و برقی

Detecting Epileptic Seizures in Advance Using Optical and Electrical Recordings

بارهای ناشی از بافت نرم بر روی زانوی سالم در انعطاف های مختلف فیزیولوژیکی: رویکرد آزمایشگاهی-عددی

Soft Tissues’ Loadings on Healthy Knee at Different Physiological Flexions: A Coupled Experimental–Numerical Approach

چکیده

مقدمه

روش

اکتساب (جمع آوری) تصاویر EOS

مدل هندسی سه بعدی

مدل سازی المان محدود

شبیه سازی عددی

نتایج

موقعیت درشت نی

نقشه فشار غضروف

فشار رباط

بحث

شرایط مرزی و خصوصیات مواد

تایید مدل FE توسط موقعیت استخوان

نواقص مدل

نقشه های فشار و فشار رباط

جمع بندی

چکیده

در این مطالعه، حرکت بالا رفتن از پله، به 4 تصویر EOS تجزیه شده است. سپس یک مدل زانوی 3 بعدی وابسته به بیمار، از روی MRI ساخته شد و چندین شبیه سازی عددی مطابق با شرایط مرزی آزمایشگاهی (زاویه ی نیرو و فلکشن) انجام شدند تا تعادل مکانیکی کلی زانو تضمین شود. به محض دستیابی به تعادل مکانیکی، به منظور تایید این مدل بیمار ویژه، ساختار استخوان وی با تصاویر EOS مورد مقایسه قرار گرفت. این مدل، تخمینی از فشار در رباط ها برای هر زاویه ی فلکشن و همچنین نقشه ی فشار روی غضروف ها را برای ما ارائه کرده است. 

مقدمه 

آرتروز زانو یکی از علل مهم ناتوانی در افراد مسن است. مطابق با مطالعه ی انجام شده در بریتانیا و هلند روی جمعیت 55 ساله و بیشتر، 25%، درد مزمن و مداوم زانو را اعلام کرده بودند (پائت و همکارانش، 2001). آرتروز، اثر ترکیبی تخریب غضروف، ضخیم شدن استخوان زیرغضروف و تشکیل استخوان جدید روی لبه های غضروف ها است. اصلی ترین ابزار تشخیصی بالینی برای آرتروز، رادیوگرافی است که اثرات آن روی تصاویر رادیوگرافی مشخص می شود ازجمله: باریک شدن فضای مفصل به دلیل تخریب غضروف، تغییر شدت سیگنال به دلیل ضخیم شدن استخوان زیر غضروف و تشکیل استخوان که مستقیما مشاهده می شود. 

جمع بندی 

به منظور مطالعه ی موضوع تخریب زانو و درد، در زمان ابتلا به آرتروز، هم در رابطه با فشار روی غضروف ها و هم ثبات زانو، یک مدل مفصل زانو ایجاد شد. ما یک رویکرد ترکیبی که هم شامل استفاده از یک تصویربرداری پزشکی (MRI، سیستم رادیوگرافی EOS) و هم پلتفرم نیرو همراه با یک مدل FE است را پیشنهاد کردیم. هدف، دستیابی به نقشه های فشار روی غضروف های زانو و فشار تحمیل شده توسط رباط های آن در طی فعالیت روزانه بود.

Abstract

In this study, the movement of climbing a step is decomposed in 4 EOS images. A patient-dependent 3D model of the knee is then created from MRI, and several numerical simulations are carried out according to the experimental boundary conditions (force and flexion angle), so as to ensure the global knee mechanical equilibrium. To validate this patient-specific model, its bony structure is confronted with the EOS images once the mechanical equilibrium is reached. This model gave us an estimation of the stress in the ligaments for every flexion angle as well as a pressure map on the cartilages.

Introduction

Knee osteoarthritis is one of the major causes of disability in older adults. According to a study conducted in the United Kingdom and the Netherlands on a population of 55 y.o. and more, 25% declared having chronical and persistent knee pain (Peat et al. 2001). Osteoarthritis is the combined effect of degradation of the cartilage, thickening of the subchondral bone and new bone formation on the edges of the cartilages. The main clinical diagnosis tool for osteoarthritis is the radiography, with effects being apparent on X-ray images: joint space narrowing for the cartilage destruction, variation of the signal intensity for the thickening of the subchondral bone and the bone formation is directly seen.

Conclusion

In order to study on the question of knee degradation and pain when developing osteoarthritis, related to both the pressure on the cartilages and the knee stability, a knee joint model was created. We proposed a mixed approach, both using medical imaging (MRI, EOS X-ray system) and force platform in conjunction with a FE model. The goal was to obtain pressure maps on the cartilages of the knee and the stress sustained by its ligaments during a daily activity.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

بارهای ناشی از بافت نرم بر روی زانوی سالم در انعطاف های مختلف فیزیولوژیکی: رویکرد آزمایشگاهی-عددی

Soft Tissues’ Loadings on Healthy Knee at Different Physiological Flexions: A Coupled Experimental–Numerical Approach

بررسی وضعیت فشار ناشی از بارهای زیاد در دیسک بین مهره ای کمر گوسفند با استفاده از یک مدل هایپرالاستیک ناهمسانگرد جدید

Investigation of the State of Stress Generated by High Loads in the Ovine Lumbar Intervertebral Disc Using a New Anisotropic Hyperelastic Model

چکیده

مقدمه

مواد و روش ها

نتایج

بحث

چکیده

 فتق دیسک، یکی از دلایل اصلی کمر درد است و یک شرایط بیماری زا است که اغلب موارد، نیاز به جراحی نخاع دارد. بسیاری از مطالعات آزمایشگاهی و عددی برای بررسی شکست مکانیکی دیسک بین مهره ای (IVD) انجام شده اند؛ با این وجود، در متون، مطالعه ای وجود ندارد که یک معیار مکانیکی را برای خرابی دیسک تعیین کرده باشد. هدف این مطالعه، بررسی وضعیت فشار ناشی از کاربرد بارهای بالا و تعیین اینکه کدام حالت فشار، مسئول بیشترین میزان فتق است، می باشد. مدل المان (عنصر) محدود از IVD کمر گوسفند ایجاد شد. سناریوهای بارگذاری استفاده شده در یک مطالعه ی آزمایشگاهی، برگرفته از متون مورداستفاده بودند و به منظور تعیین شرایط شکست، نتایج، با یکدیگر موردمقایسه قرار گرفتند. سپس اثر چرخش های ترکیبی و ساده نیز مورد بررسی قرار گرفت. مشخص شده است که احتمال زیادی وجود دارد که یک فشار محوری بالاتر از 10 مگا پاسکال در ناحیه ی خلفی آنولوس، موجب آسیب به دیسک شود و این خمش (فلکشن)، نقش اصلی را در آسیب رساندن به بافت آنولوس دارد. 

مقدمه 

فتق دیسک، یکی از دلایل اصلی کمر درد است و یک شرایط بیماری زا است که اغلب موارد، نیاز به جراحی نخاع دارد. بسیاری از مطالعات آزمایشگاهی و عددی برای بررسی شکست مکانیکی دیسک بین مهره ای (IVD) انجام شده اند (هنسون و همکارانش، 1987؛ دولان و همکارانش، 2013؛ اشمی و همکارانش، 2017)، اما طبق اطلاعات محققان، هیچ مطالعه ای در بین مقالات وجود ندارد که یک معیار مکانیکی را برای شکست دیسک تعیین کرده باشد. مطالعات آزمایشگاهی، از گونه های حیوانی و شرایط بارگذاری متفاونی استفاده کرده اند (کالاغان و مک گیل 2001؛ فازالاری و همکارانش، 2001؛ وادی و همکارانش، 2014)؛ در عین حال، بیشتر مدل های عددی، نماینده ی دیسک انسان هستند و به دلیل ماهیت کامپوزیت آنولوس فیبروز (AF)، جنبه های پیچیدگی زیادی دارند (ابرلین و همکارانش، 2001؛ گالبوسرا و همکارانش، 2011؛ لانگ و همکارانش، 2016). ما معتقدیم که یک ماده ی هیپرالاستیک غیر ایزوتروپیک (ناهمسانگرد) یک جایگزین مناسب برای نشان دادن فیبرها و ماده ی زمینه ای، برای ساده سازی مدل سازی دیسک است.

Abstract

Disc herniation is one of the main causes of low back pain, and it is the pathologic condition for which spinal surgery is most often required. Many experimental and numerical studies have been conducted to investigate the mechanical failure of the intervertebral disc (IVD); however, there is not in the literature a study that defines a mechanical criterion for the disc failure. The aim of this study was to investigate the state of stress generated by the application of high loads and to define which state of stress was the most responsible for herniation. A finite element model of the ovine lumbar IVD was developed. The loading scenarios applied in an experimental study taken from the literature were applied, and the results compared to define the failure conditions. Then the effect of combined and simple rotations was investigated as well. It was found that an axial stress higher than 10 MPa in the posterior region of the annulus has a high probability of damaging the disc, and that flexion had a main role in damaging annulus tissue.

Introduction

Disc herniation is one of the main causes of low back pain, and it is the pathologic condition for which spinal surgery is most often required (Boos and Aebi 2008). In the past years, many experimental and numerical studies have been conducted to investigate the mechanical failure of the intervertebral disc (IVD) (Hansson et al. 1987; Dolan et al. 2013; Schmidt et al. 2007), but to the authors’ knowledge, there is not in the literature a study that defines a mechanical criterion for the disc failure. The experimental studies used different animal species and loading conditions (Callaghan and McGill 2001; Fazzalari et al. 2001; Wade et al. 2014); at the same time, the most of the numerical models represented the human disc and have many aspects of complexity due to the composite nature of the annulus fibrosus (AF) (Eberlein et al. 2001; Galbusera et al. 2011; Long et al. 2016). We believe that an anisotropic hyperelastic material is a good alternative for the representation of both the fibers and the ground substance to simplify the disc modeling.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

بررسی وضعیت فشار ناشی از بارهای زیاد در دیسک بین مهره ای کمر گوسفند با استفاده از یک مدل هایپرالاستیک ناهمسانگرد جدید

Investigation of the State of Stress Generated by High Loads in the Ovine Lumbar Intervertebral Disc Using a New Anisotropic Hyperelastic Model