آنالیز مبتنی بر داده از روند تحقیقات جهانی در تصویر پزشکی: یک نظرسنجی

A data-driven analysis of global research trends in medical image: A survey

چکیده

1 مقدمه

2 جمع آوری داده ها

3 روش شناسی (متودولوژی)

4 تجزیه و تحلیل پایه علم سنجی

5 تجزیه و تحلیل شبکه

6 بحث

7 نتیجه گیری

منابع

چکیده

با گسترش هوش مصنوعی و تجهیزات محاسباتی با کارایی بالا، فناوری های جدید تأثیرات بسزایی بر پژوهش های تصویربرداری پزشکی دارند. با این وجود تشخیص مواردی نظیر اینکه چه زمانی موضوعات پژوهشی نوین تظاهر می‌یابند، نویسندگان تأثیرگذار چه کسانی هستند و انتشارات مرتبط چگونه بر جامعه دانشگاهی تأثیر می‌گذارد دشوار است. برای رسیدن به روندهای پژوهشی سراسری، روش‌ های مرسوم بررسی متون برای کسب اطلاعات کافی نیستند. در این مورد تحلیل مبتنی بر داده، رویکرد کمی نوینی برای مطالعه روند پژوهشی ارائه می دهد. در این بررسی از چندین نمایه متن‌ سنجی بنیادی برای توصیف روندهای کلی پژوهشی تصاویر پزشکی از سال 1993 تا 2022 از جمله خروجی سالانه، مجلات فعال، نویسندگان تاثیرگذار، مؤسسات فعال و کشورهای عمده استفاده شده است. همچنین از شیوه های مبتنی بر شبکه برای تجزیه و تحلیل ارتباط درونی هم‌واژه ها، هم‌نویسندگی، و هم‌استنادی استفاده شد تا نقاط مهم جامعه دانشگاهی را پیدا کرده و روندهای کلی پژوهشی توضیح داده شوند. برخی از نتایج نهایی به شرح زیر است: (1) پژوهش تصویربرداری پزشکی حال حاضر روندی صعودی را طی می کند. تعداد انتشارات در حیطه تصویربرداری پزشکی از سال 2015 با پیشرفت های فراوان در یادگیری عمیق افزایش یافته است. یادگیری عمیق و شبکه های عصبی پیچیده (CNN) هر دو کلیدواژه پژوهشی متداولی در سال های اخیر هستند. (2) تراکنش های IEEE در تصویربرداری پزشکی (IEEE Transactions on Medical Imaging) تأثیرگذارترین مجله از نظر امتیاز استناد منطقه ای (TLCS)، مجموع امتیازات استناد جهانی (TGCS) و تحلیل تصاویر پزشکی است. همچنین مجلات Neurocomputing و Information Fusion در جامعه پژوهشی منطقه ای به خوبی شناخته شده اند. (3) Van Ginneken B و Aerts HJWL در بررسی TLCS و TGCS پژوهشگران کاندید هستند. (4) ایالات متحده آمریکا کشوری پیشرو در پژوهش های تصویربرداری پزشکی است. از دیگر کشورهای تاثیرگذار می توان چین، هند، بریتانیا، آلمان، فرانسه، کانادا، هلند، استرالیا، ایتالیا، کره جنوبی و سوئیس را نام برد. موثرترین موسسات نظیر هاروارد، یومیچ، استنفورد، UPenn، UNC، CAS، SJTU، UCL، UofT، RU، (3) Van از این کشورها هستند. (5) استفاده از فناوری‌ های هوش مصنوعی به خصوص CNN، مطالعات کلی تصویربرداری پزشکی را از سال 2015 به بعد به‌ طور چشمگیری ترقی داده است. همکاری های بین رشته ای در میان متخصصان رشته های مختلف متداول تر خواهد شد. می‌توان استنباط کرد که تجزیه و تحلیل تصاویر پزشکی و کاربرد مبتنی بر یادگیری عمیق در آینده نه چندان دور با بهبود الگوریتم‌ ها و استفاده از تجهیزات محاسباتی با کارایی بالا همچنان زمینه‌ پژوهشی پر از پیشرفت خواهد بود.

2 جمع آوری داده ها
پایگاه های داده متعددی نظیر Web of Science (WOS)، Scopus، Embase و غیره را می توان به عنوان منابع داده های کتاب سنجی انتخاب کرد. در این مقاله، داده ها از مجموعه اصلی WOS (پایگاه داده جامع و شناخته شده ای که انتشارات آکادمیک استاندارد ارائه می دهد) به دست آمدند [21]. همچنین داده‌ها را از پایگاه داده گسترش یافته فهرست استنادی علوم WOS اصلاح شدند. شاخص استنادی علوم (SCI) به دلیل فرآیند انتخاب دقیق آن به عنوان یک ابزار نمایه سازی استنادی متون علمی معتبر و با کیفیت شناخته می شود [22]. شاخص استنادی توسعه یافته علوم (SCI-E)، نسخه توسعه یافته ای از SCI است که تعداد بیشتری از مقالات مهم را پوشش می دهد که به وسیله SCI نمایه نشده اند. این پایگاه داده همچنین برای تجزیه و تحلیل کتاب سنجی در مقالات مروری گذشته استفاده می شده است [17,21,22]. معیارهای جستجوی (سرچ) مورد استفاده در این مقاله در جدول 1 نشان داده شده اند. چندین عبارت مرتبط با تصویربرداری پزشکی به عنوان سوال سرچ تعیین شد. بازه زمانی سرچ از سال 1993 تا 2022 (30 سال) بود. همچنین تا حدامکان سعی کردیم نوع “مقاله” را در پایگاه داده SCIE در همه زبان های موجود به دست آوریم چرا که اکثر مقالات آکادمیک شناخته شده در قالب مقاله منتشر می شوند [19]. دسترسی به پایگاه داده ذکر شده در تاریخ 7 سپتامبر 2022 بود. در مجموع 19762 مورد مربوط به تصویربرداری پزشکی طی 30 سال گذشته از WOS به دست آمد. از بین این مطالب، 98.02 درصد مقالات (19371) به زبان انگلیسی نوشته شده بودند. مقالات دیگر زبان ها بر اساس تعداد عبارتند از: فرانسوی (218)، آلمانی (68)، چینی (50)، اسپانیایی (22)، هلندی (9)، ترکی (5)، کره ای (4)، پرتغالی (4)، ژاپنی (3)، لهستانی ( 3) و چند زبان دیگر.

تجزیه و تحلیل و مصور سازی داده های استخراج شده توسط تعداد زیادی از ابزارهای کتاب سنجی و شبکه نظیر HistCite، Pajek، VOSviewer، Gephi و CiteSpace قابل انجام است. این مطالعه با برنامه نویسی و استفاده از HistCite [23]، VOSviewer [24]، و CiteSpace [25]، سعی در درک روندهای کلی در پژوهش های تصویربرداری پزشکی دارد.

روش شناسی (متودولوژی)
هم تجزیه و تحلیل پایه کتاب سنجی و هم تجزیه و تحلیل شبکه برای درک روندهای کلی پژوهش های آکادمیک و فهم مباحث روز در زمینه تصویربرداری پزشکی مورد استفاده قرار گرفتند. در این بخش، ابتدا شاخص های عددی معرفی می شوند تا به مخاطب کمک کنند برخی از مفاهیم مهم در تجزیه و تحلیل قسمت بعدی را درک کنند. سپس روش‌ های مبتنی بر شبکه با تحلیل کلمات مشترک، نویسندگی مشترک و هم استنادی بیان شده اند.

استحکام شبکه های عصبی کانولوشن در تشخیص ضایعات پوستی رنگدانه ای پوست

Robustness of convolutional neural networks in recognition of pigmented skin lesions

چکیده
1 مقدمه
2 مواد و روش ها
1-2 طرح تحقیق و مطالعه
2-2 مجموعه داده ها
3-2 پیشرفت و بسط طبقه بندی کننده
4-2 روش هایی برای کاهش شکنندگی و عدم انعطاف
5-2 آنالیز و تحلیل
3 نتایج
1-3 عملکرد پایه و مبنا و شکنندگی (عدم انعطاف)
2-3 اثربخشی روش های امتحان شده روی تغییرات مصنوعی
3-3 اثربخشی روش های تست و امتحان شده روی تغییرات طبیعی
4 بحث و گفتگو
1-4 کاربردها و مفاهیم عملی
2-4 محدودیت ها
5 نتیجه گیری
منابع

چکیده
پیش زمینه: نیاز پایه و اساسی برای سیستم های آنالیز تصویر مبتنی بر هوش مصنوعی (AI)، که می بایست در طب بالینی ادغام شوند، از استواری و قابلیت اطمینان بالایی برخوردار است. تغییرات جزئی و اندک در نحوه ی بدست آوردن آن تصاویر، برای مثال، در طول غربالگری روتین سرطان پوست، نباید تشخیص چنین سیستم های کمکی (سیستم های کمک یار پزشک) را تغییر دهد.
هدف: هدف کمی سازی و سنجش این است که درهم ریختگی ها و تغییرات جزئی تصویر تا چه میزان طبقه بندی ضایعه ی پوستی به واسطه ی شبکه ی عصبی پیچشی (کانولوشن) (CNN) را تحت تأثیر قرار می دهند و همچنین بررسی سه راه حل ممکن و عملی برای این مشکل است (داده افزایی اضافی، افزایش زمان تست، خوشنماسازی).
روش ها: ما سه معماری رایج و متداول CNN را برای ایجاد تمایز بین تصاویر درموسکوپی ملانوما یا خال سرطانی و خال های مادرزادی تمرین کرده و به کار بردیم. متعاقبا، عملکرد و حساسیت آنها نسبت به تغییرات جزئی (شکنندگی و عدم انعطاف) بر روی دو مجموعه ی امتحانی متمایز با تصاویر متعدد برای هر ضایعه تست و امتحان شد. برای مجموعه ی نخست، تغییرات تصاویر، مثل چرخش یا بزرگنمایی (زوم)، به صورت مصنوعی ایجاد شدند. مجموعه ی دوم تغییرات طبیعی را دربرمیگرفت که از چندین عکس گرفته شده از همان ضایعات ناشی می شدند.
نتایج: تمامی معماری ها شکنندگی و عدم انعطاف در مجموعه امتحانی مصنوعی و طبیعی را نشان دادند. سه روش بررسی شده قادر به کاهش شکنندگی و عدم انعطاف تا درجات مختلف بودند درحالیکه همچنان عملکرد را حفظ می کردند. ارتقا و بهبود دیده شده برای مجموعه امتحانی مصنوعی بیشتر از طبیعی بود، جایی که پیشرفت ها جزئی و اندک بودند.
نتیجه گیری: تغییرات جزئی تصاویر، نسبتا نامشخص برای انسان ها، می توانند روی استواری و قابلیت اطمینان شبکه های عصبی پیچشی (CNNs) متمایز کننده ی ضایعات پوستی تأثیرگذار باشند. این تأثیر را می توان از طریق روش هایی که در اینجا تست و امتحان شده اند کاهش داد، اما نمی توان آن را کاملا حذف و برطرف کرد. لذا، تحقیقات بیشتر به منظور حفظ و تقویت عملکرد طبقه بندی کننده های (جداکننده های) هوش مصنوعی (AI) در جهت تسهیل انتقال چنین سیستم هایی به کلینیک و درمانگاه مورد نیاز می باشد.

5- نتیجه گیری

تغییرات جزئی و اندک تصویر، که برای انسان ها تاحدودی نامعلوم و نامشخص هستند، می توانند روی سطح اطمینان و تشخیص شبکه های عصبی پیچشی متمایزکننده ی ضایعات پوستی تأثیر بگذارند. این تأثیر با استفاده از روش هایی که در اینجا تست و امتحان شدند کاهش یافت اما کاملا برطرف نشد. بنابراین، ما می خواهیم به متخصصان و دست اندرکاران یادگیری عمیق و پزشکان حوزه ی درماتولوژی بلکه پزشکان به طور کلی یادآوری کنیم که شکنندگی و عدم انعطاف می بایست صراحتا در رأس کار قرار گرفته و به عنوان هدف مد نظر قرار بگیرد و به منظر تسهیل انتقال از آزمایشگاه به کلینیک باید بر آن غلبه کرد.

Abstract

Background A basic requirement for artificial intelligence (AI)–based image analysis systems, which are to be integrated into clinical practice, is a high robustness. Minor changes in how those images are acquired, for example, during routine skin cancer screening, should not change the diagnosis of such assistance systems.

Objective To quantify to what extent minor image perturbations affect the convolutional neural network (CNN)–mediated skin lesion classification and to evaluate three possible solutions for this problem (additional data augmentation, test-time augmentation, anti-aliasing).

Methods We trained three commonly used CNN architectures to differentiate between dermoscopic melanoma and nevus images. Subsequently, their performance and susceptibility to minor changes (‘brittleness’) was tested on two distinct test sets with multiple images per lesion. For the first set, image changes, such as rotations or zooms, were generated artificially. The second set contained natural changes that stemmed from multiple photographs taken of the same lesions.

Results All architectures exhibited brittleness on the artificial and natural test set. The three reviewed methods were able to decrease brittleness to varying degrees while still maintaining performance. The observed improvement was greater for the artificial than for the natural test set, where enhancements were minor.

Conclusions Minor image changes, relatively inconspicuous for humans, can have an effect on the robustness of CNNs differentiating skin lesions. By the methods tested here, this effect can be reduced, but not fully eliminated. Thus, further research to sustain the performance of AI classifiers is needed to facilitate the translation of such systems into the clinic.

5. Conclusions

Minor image changes, relatively inconspicuous for humans, can have an effect on the confidence and diagnosis of CNNs differentiating skin lesions. Using the methods tested here, this effect was reduced but not fully eliminated. Therefore, we would like to remind deep learning practitioners and physicians in dermatology but also in medicine in general, that brittleness needs to be explicitly targeted and overcome to facilitate translation from bench-to-bedside.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

استحکام شبکه های عصبی کانولوشن در تشخیص ضایعات پوستی رنگدانه ای پوست

Robustness of convolutional neural networks in recognition of pigmented skin lesions

ابزار هوشمند پزشکی مبنی بر IoT

IoT based smart medicine kit

چکیده
1 مقدمه
2 مروری بر منابع
3 سیستم پیشنهادی
4 اجزای لازم
4-1 آردوینو
4-2 اینترنت اشیاء
4-3 اندازه‌گیری ضربان نبض
4-4 گلوکزسنج
4-5 حسگر دما
4-6 یادآور جعبه قرص
4-7 ریز CPR
5 پیاده‌سازی
6 نتیجه‌گیری
منابع

چکیده

این مقاله راه حلی بهینه، ابزار هوشمند پزشکی برای بیماران معمولی با استفاده از حسگرهای مبنی بر IoT که ویژگی‌های تشحیصی را مهیا می‌سازند را ارائه می‌دهد. مصرف دارو توسط بیماران به عنوان داده‌هایی تهیه شده و درون درایو یا ابر ذخیره می‌شوند. این ابزار دارویی به عنوان یادآوری برای مصرف دارو با مداری زمانی عمل می‌کند. با این ابزار با استفاده از حسگرهای بررسی دمای مادون قرمز و بسته کوچک CPR می‌توان بر ضربان قلب انسان‌ها و نیز سطح گلوکز خون نظارت داشت. IoT مبنی بر سلامت، تشخیص پزشکی را تسهیل می‌بخشد.

1 مقدمه

در جهان پر مشغله زمانی برای همه افراد، بخصوص افراد کهنسال، برای مراقبت از سلامتشان توسط خود وجود ندارد چرا که ما همیشه نمی‌توانیم که هر بار میزان مصرف داروی‌شان را به آن‌ها یادآوری کنیم. انتقال سیستم نظارت مراقبت بهداشتی به داخل خانه می‌تواند به بسیاری از افراد در نجان جان خود کمک کند. این مدل پیشنهادی برای تحت نظر گرفتن شرایط سلامت افراد کهنسال بسیار مفید خواهد بود.

6 نتیجه‌گیری

این مقاله یک ابزار هوشمند پزشکی مبتنی بر IoT که ویژگی تشخیصی را مهیا می‌سازد، داده‌های مربوطه بیمار را در فضای ابری برای ارجاع بعدی پزشک ذخیره می‌کند را ارائه می‌کند. از این ایزار برای نظارت پیوسته و مداوم بر مراقبت های بهداشتی بیمار با کمک حسگرهای زیستی استفاده می‌شود. این حسگرهای زیستی برای تشخیص وضعیت سلامتی با آردوینو در متصل می‌شوند. یادآور جعبه قرص به بیماران در مدیریت نسخه‌های پزشکی خود از طریق ویژگی یادآور و زنگ هشدار کمک می کند.

Abstract

This paper presents an optimal solution, the smart medicine kit for regular patients using an IoT based sensors which provides diagnostic feature. The intake of medicine by the patients are prepared as a data and stored in drive or cloud. The medication kit acts as a remainder to take medicines with timer circuit. The heart rate of humans, glucose level in blood can also be monitored with the kit, with IR temperature check and mini CPR patch sensors. Health based IoT ease the medical diagnosis.

1 Introduction

In the busy world, there is no time for everyone, mainly elders, to take care of their health by it is not always possible for us to remind them of their medicine’s dosages every time. Shifting health care monitoring system to home can help many people to save their life. In order to track the health condition of the elderly people, the proposed model will be helpful.

6 Conclusion

This paper presents an IoT based Smart Medicine Kit which provides diagnostic feature, stores the respective data of the patient in the cloud for the later reference of the doctor. It is used for the continuous and consistent monitoring of healthcare of the patient with the help of bio sensors. Those Bio sensors is interfaced with Arduino to detect health condition. The pillbox reminder help patients in managing their medical prescriptions through a reminder feature and an alarm.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

ابزار هوشمند پزشکی مبنی بر IoT

IoT based smart medicine kit

کاربرد الگوریتم های داده کاوی برای زوال عقل در افراد مبتلا به HIV/AIDS

Application of Data Mining Algorithms for Dementia in People with HIV/AIDS

1 مقدمه
2 روش شناسی
3 نتایج و بحث
4 نتیجه گیری و پژوهش های آینده
منابع

زوال عقل باعث اختلال در کارکردهای حرکتی، رفتاری، و هوشی فرد می شود به طوری که او را از انجام فعالیت های مؤثر روزمره بازمی دارد. پژوهش کنونی بر آن بود که بهترین الگوریتم عمل کننده و مرتبط ترین خصوصیات را با استفاده از داده کاوی شناسایی کند تا بدین وسیله افراد مبتلا به ایدزی که در خطر جدی زوال عقل هستند را طبقه-بندی نماید. در این راستا، الگوریتم تحلیل مؤلفه های اصلی (PCA) مورد استفاده قرار گرفت و آزمایش هایی به شکل مقایسه ای میان الگوریتم های یادگیری ماشینی زیر انجام شد: رگرسیون لجستیک، درخت تصمیم، شبکه ی عصبی، KNN (k همسایه ی نزدیک تر) و جنگل تصادفی. پایگاه داده ی مورد استفاده در این مطالعه بر پایه ی گردآوری داده ی 270 انسان مبتلا به ایدز تدوین گردید و ادامه ی کار در درمانگاه یک بیمارستان مرجع بیماری های واگیردار و انگلی در ایالت سیرا برزیل از ژانویه تا آوریل 2019 پیگیری شد. همچنین، عملکرد الگوریتم ها به ازای 14 ویژگی و خصوصیت موجود در پایگاه داده تجزیه و تحلیل شدند؛ آنگاه با کاهش ابعاد، در کیفیت الگوریتم های یادگیری ماشینی بهبودی حاصل شد و مشخص گردید که در جریان آزمون ها، حتی حدود 30 درصد تنوع از میان رفت. افزون بر این، هنگام در نظر گرفتن تنها 23 ویژگی و خصوصیت، دقت الگوریتم ها در جنگل تصادفی برابر 86 درصد، در رگرسیون لجستیک برابر 56 درصد، در درخت تصمیم برابر 68 درصد، در KNN برابر 60 درصد، و در شبکه ی عصبی برابر 59 درصد بود. معلوم گردید که الگوریتم جنگل تصادفی نسبت به بقیه کارامدتر است به طوری که به دقت 84 درصدی و صحت 86 درصدی دست یافت.

1 مقدمه

داده کاوی (MD) یکی از فرایندهای واکاوی داده ها است که با استفاده از راهبردهایی همچون الگوریتم های یادگیری، هوش مصنوعی (AI) یا طبقه بندی ها آماری، که می توانند روابط پنهان و داده های صحیح را آشکار کنند، قادر به پیش بینی و استخراج الگوهای منسجم است [1 و 2].

کاربرد داده کاوی در سامانه های اطلاعات سلامت، خواه حوزه های عمومی و خواه خصوصی، است که از طریق فرایند انتخاب، پیش پردازش و تبدیل داده ها می توان الگوها را یافت و با تفسیر آن ها دانش تولید کرد. با استفاده از این روش و بر پایه ی الگوهای مسائل سلامت و درمان های مراقبتی برای بیماری های گوناگون، متخصص بهداشت بیمار را شناسایی، توصیف، و راهنمایی خواهد کرد.

Dementia interferes with the individual’s motor, behavioural, and intellectual functions, causing him to be unable to perform instrumental activities of daily living. This study is aimed at identifying the best performing algorithm and the most relevant characteristics to categorise individuals with HIV/AIDS at high risk of dementia from the application of data mining. Principal component analysis (PCA) algorithm was used and tested comparatively between the following machine learning algorithms: logistic regression, decision tree, neural network, KNN, and random forest. The database used for this study was built from the data collection of 270 individuals infected with HIV/AIDS and followed up at the outpatient clinic of a reference hospital for infectious and parasitic diseases in the State of Ceará, Brazil, from January to April 2019. Also, the performance of the algorithms was analysed for the 104 characteristics available in the database; then, with the reduction of dimensionality, there was an improvement in the quality of the machine learning algorithms and identified that during the tests, even losing about 30% of the variation. Besides, when considering only 23 characteristics, the precision of the algorithms was 86% in random forest, 56% logistic regression, 68% decision tree, 60% KNN, and 59% neural network. The random forest algorithm proved to be more effective than the others, obtaining 84% precision and 86% accuracy.

1 Introduction

Data mining (MD) is one of the data exploration processes capable of predicting and extracting consistent patterns by using strategies such as learning algorithms, such as artificial intelligence (AI), or classification in statistics, which can reveal hidden relationships and accurate data [1, 2].

The application of MD is in health information systems, in the public and private spheres, which, through a process of selection, preprocessing, and data transformation, one can discover patterns and generate knowledge through their interpretations. With this method, the health professional will identify, characterise, and guide the patient based on patterns of health problems and care therapies for different diseases [2].

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

کاربرد الگوریتم های داده کاوی برای زوال عقل در افراد مبتلا به HIV/AIDS

Application of Data Mining Algorithms for Dementia in People with HIV/AIDS

چارچوب یادگیری عمیق براساس اختلاط دو روش S-Mask R-CNN و Inception-v3 برای تشخیص سرطان پروستات توسط تصاویرسونوگرافی

Deep learning framework based on integration of S-Mask R-CNN and Inception-v3 for ultrasound image-aided diagnosis of prostate cancer

چکیده

1- معرفی

2- عملیات مرتبط

3- قطعه بندی تصاویر

3-1 پیچیدگی سوبل

3-2 شبکه RPN

3-3 لایه ROIAlign

3-4 تابع شکست

3-5 شبکه پیچشی کامل

4- طبقه بندی تصاویر

4-1 واحد Inception

4-2 توابع هزینه اختلاف آنتروپی

4-3 حذف تصادفی

4-4 تعلیم مدل شبکه

4-5 شاخص های سنجش نتایج طبقه بندی

5- مجموعه اطلاعات و ساختار محیط تجربی

5-1 مجموعه اطلاعات

5-2 تنظیمات پارامترها

6- نتایج آزمایش

6-1 آنالیز تشخیص

6-3 آنالیز نتایج

7- نتیجه گیری

چکیده

تشخیص تصاویر سونوگرافی پروستات به کمک کامپیوتر می تواند به کشف بیماری و درمان سرطان پروستات کمک کند. با این وجود تصاویر سونوگرافی که از پروستات به دست می آید گاهی با نقطه های صوتی سنگین، نسبت پایین سیگنال به صدا و دقت پایین بررسی همراه می باشد. به منظور فائق آمدن بر این نقص، ما مدل تکنیک یادگیری عمیق را در این مقاله مطرح کردیم که S-Mask R-CNN و Inception-v3 را در تشخیص بیماری سرطان پروستات به کمک تصاویر سونوگرافی با یکدیگر ادغام می کند.  از S-Mask R-CNN برای درک دقیق قطعه بندی تصاویر سونوگرافی پروستات  و تکثیر مناطق منتخب استفاده شد. برای درک نقطه جایگاه یابی در ویژگی های پیکسل از تراز الگوریتم برای منطقه مورد نظر استفاده شده است. ویژگی های پوشش باینری یا دوتایی (یک اصطلاح تخصصی در مهندسی کامپیوتر می باشد) در تصاویر پروستات توسط شبکه پیچیده ای برای قطعه بندی ناحیه پروستات و زمینه آن به وجود آمده است. سپس، اطلاعات زمینه ای ذخیره شد، و مجموعه اطلاعات مربوط به تصاویر قطعه بندی شده سونوگرافی پروستات، برای شبکه Inception-v3 به منظور شناسایی آسیب ساخته شد. طرح شبکه جدید اضافه شد تا جایگزین رده بندی اصلی نمونه باشد، که این شبکه از گسترش به جلو و عقب تشکیل شده است. گسترش رو به جلو اساسا ویژگی های استخراج شده از لایه پیچیده، لایه مشترک و زیر لایه مشترک سوم را به لایه درونی منتقل می کند و این کار را از طریق تکنیک یادگیری انتقال انجام می دهد و سپس مقادیر کاهش یافته بین طبقه بندی ها و مقادیر علامت دار را محاسبه می کند تا سونوگرافی آسیب پروستات را تشخیص دهد. نتایج پیشنهادی نشان داد که روش مطرح شده می تواند به طور دقیق تصاویر سونوگرافی پروستات و اطلاعات قطعه بندی پروستات را در سطح پیکسل به طور همزمان مشخص نماید. این روش پیشنهاد شده نسبت به تشخیصی که پزشکان بطور دستی انجام می دهند و نیز دیگر روش های تشخیص بیماری، دارای دقت بالاتری است. روش ساده و کارآمد ما به عنوان مبنای شروع بسیار قابل اطمینان عمل می کند و منجر به تسهیل تحقیقات آینده در تشخیص یارانه ای تصاویر سونوگرافی پروستات می شود. گذشته از این، این عملیات، پیشرفت تکنولوژی های تشخیص سونوگرافی را در سرطان پروستات موجب می شود. 

7- نتیجه گیری 

مدل یادگیری عمیق که S-Mask R-CNN و Inception-v3 را در تشخیص سرطان پروستات به کمک تصاویر سونوگرافی یکپارچه می کند، در این مقاله مطرح شده است. مجموعه ای از تصاویر سونوگرافی پروستات با قطعه بندی و طبقه بندی ساخته شد و روش مطرح شده در این مقاله در این دستگاه آموزش داده شد. این مدل شبکه برای به دست آوردن جایگاه یابی صحیح نقاط ویژگی در تصاویر سونوگرافی پروستات از الگوریتم ROIAlign استفاده می کند. شبکه ترکیب شده ResNet-101 و RPN موجب بهبودی دقت قطعه بندی شده است، و پوشش باینری تصاویر سونوگرافی پروستات، از طریق FCN ایجاد شد تا به تاثیر قطعه بندی تصاویر و ناحیه پس زمینه دست یابد. طبقه بندی مدل اصلی لایه softmax، با مدل شبکه دسته بندی Inception-v3 جایگزین می شود (لایه softmax به لایه آخر میگن که خروجی لایه قبل رو میگیرد). بر اساس تست مقایسه ای، هر مدل شبکه قدیمی، روش استفاده شده در این مقاله می تواند کشف و تشخیص بیماری را بهبود بخشد بدون اینکه در محاسبات و مدل، افزایش قابل توجهی در پیچیدگی دیده شود. گام بعدی؛ گسترش دادن مجموعه اطلاعات حاضر  و استفاده از الگوریتم درون یابی خطی مکعبی است که جایگزین الگوریتم درون یابی دو خطی می باشد و به منظور پیشرفت و بهبود دقت قطعه بندی می باشد و از این رو بهبود اثرات آن بر تشخیص  بهبود می یابد. براساس تحقیقات حاضر، این مدل در زمینه سه بعدی به حد مطلوب و بهینه رسید و مورد استفاده قرار گرفت. 

Abstract

The computer-aided diagnosis of prostate ultrasound images can aid in the detection and treatment of prostate cancer. However, the ultrasound images of the prostate sometimes come with serious speckle noise, low signal-to-noise ratio, and poor detection accuracy. To overcome this shortcoming, we proposed a deep learning model that integrates S-Mask R-CNN and Inception-v3 in the ultrasound image-aided diagnosis of prostate cancer in this paper. The improved S-Mask R-CNN was used to realize the accurate segmentation of prostate ultrasound images and generate candidate regions. The region of interest align algorithm was used to realize the pixel-level feature point positioning. The corresponding binary mask of prostate images was generated by the convolution network to segment the prostate region and the background. Then, the background information was shielded, and a data set of segmented ultrasound images of the prostate was constructed for the Inception-v3 network for lesion detection. A new network model was added to replace the original classification module, which is composed of forward and back propagation. Forward propagation mainly transfers the characteristics extracted from the convolution layer pooling layer below the pool_3 layer through the transfer learning strategy to the input layer and then calculates the loss value between the classified and label values to identify the ultrasound lesion of the prostate. The experimental results showed that the proposed method can accurately detect the ultrasound image of the prostate and segment prostate information at the pixel-level simultaneously. The proposed method has higher accuracy than that of the doctor’s manual diagnosis and other detection methods. Our simple and effective approach will serve as a solid baseline and help ease future research in the computer-aided diagnosis of prostate ultrasound images. Furthermore, this work will promote the development of prostate cancer ultrasound diagnostic technology.

7- Conclusion

A deep learning model that integrates S-Mask R-CNN and Inception-v3 in ultrasound image-aided diagnosis of prostate cancer was proposed in this paper. A set of ultrasonic images of the prostate with segmentation and classification were constructed, and the model of this paper was trained on the set. This network model used the ROIAlign algorithm to achieve accurate positioning of feature points in prostate ultrasound images. The combined ResNet-101 and RPN networks improved the segmentation accuracy, and the corresponding binary mask of prostate ultrasound images was generated through FCN to achieve the segmentation effect of the prostate and background regions. The original model classification softmax layer was replaced with an improved Inception-v3 classification network model. Based on the comparison test of each classical network model, the method used in this paper can improve the detection without significantly increasing the complexity of calculation and model. The next step is to expand the current data set and use cubic linear interpolation algorithm instead of bilinear interpolation algorithm to improve the segmentation accuracy and thus improve the effect of model detection. Based on existing research, the model was optimized and applied to the 3D field.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

چارچوب یادگیری عمیق براساس اختلاط دو روش S-Mask R-CNN و Inception-v3 برای تشخیص سرطان پروستات توسط تصاویرسونوگرافی

Deep learning framework based on integration of S-Mask R-CNN and Inception-v3 for ultrasound image-aided diagnosis of prostate cancer

تشخیص و طبقه بندی خودکار مبتنی بر اشعه ایکس و سی تی اسکن covid-19 با شبکه های عصبی کانولوشن (CNN)

X-ray and CT-scan-based automated detection and classification of covid-19 using convolutional neural networks (CNN)

چکیده

۱. مقدمه

۲. بررسی آثار

3.مواد و روش‌ ها

3.1. روش پیشنهادی

3.2.مجموعه داده

3.3. ایجاد شبکه عصبی پیچشی

۴. نتایج و مباحث

4.1. نتایج

4.2. بحث

5.نتیجه ‌گیری

مراجع

چکیده

کووید-19 (بیماری کرونا ویروس- ۲۰۱۹) جدیدترین بیماری مرتبط با کرونا ویروس است که از سوی سازمان جهانی بهداشت (WHO) به عنوان بیماری همه گیر اعلام شده است. به علاوه، این بیماری، کل کره زمین را به دلیل ورود سراسر جهان به قرنطینه متوقف کرده و میلیون ها نفر را به کام مرگ کشانده است. هرچند این ویروس میزان تلفات کمی دارد، اما مشکل اینجاست که بسیار مُسری است و در نتیجه افراد زیادی را آلوده کرده و بار زیادی را روی دوش سیستم بهداشت و درمان گذاشته است؛ از این رو، شناسایی کووید-19 در بیماران حیاتی شده‌ است. هدف از انجام تحقیق حاضر این است که با استفاده از تصاویر اشعه ایکس و تصاویر توموگرافی کامپیوتری یا مقطع نگاری رایانه ای (CT) یک راهبرد یادگیری عمیق مبتنی بر شبکه عصبی پیچشی (CNN) ارائه شود تا بتوان نسبت به تشخیص و شناسایی خودکار بیماری کووید-19 اقدام کرد. دو طبقه ‌بندی مختلف را به کمک شبکه های عصبی پیچشی (همگشتی) اجرا کردیم که عبارتند بودند از طبقه ‌بندی دودویی و چند کلاسه. در مجموع، یک مجموعه داده مشتکل از ۳۸۷۷ تصویر سی تی اسکن و اشعه ایکس برای آموزش مدل در طبقه بندی دودویی به کار گرفته شده‌ است که از میان آنها ۱۹۱۷ تصویر متعلق به افراد مبتلا به کووید-19 است. صحت کلی 64/99 درصد، یادآوری (Recall) (یا حساسیت) 58/99 درصد، دقت 56/99 درصد، امتیاز اف1 (F-1 score) برابر با 59/99 درصد و ROC (مشخصه عملکرد گیرنده) برابر با۱۰۰ درصد در طبقه ‌بندی دودویی مشاهده شده‌ است. در طبقه ‌بندی چندگانه، مدل با استفاده از کل 6077 تصویر آموزش دیده است که از میان آنها 1917 تصویر به افراد مبتلا به کووید-19، 1960 تصویر به افراد سالم عادی و ۲۲۰۰ تصویر نیز به افراد مبتلا به ذات الریه تعلق دارد. صحت 28/98 درصد، یادآوری (یا حساسیت) 25/98 درصد، دقت 22/98 درصد، امتیاز اف 1 به میزان 23/98 درصد و ROC برابر با 87/99 درصد برای طبقه ‌بندی چند کلاسه با استفاده از روش پیشنهادی بدست ‌آمده است. در مجموعه داده‌ موجود اخیر، مدل پیشنهادی ما، نتایج مورد نظر را ارائه نموده و هم چنین می ‌تواند در تشخیص سریع بیماران کووید-19 مثبت به کادر درمان کمک کند.

5.نتیجه ‌گیری

طبق مطالعه جدیدی که به صورت آنلاین در نشریه بیماری‌ های مُسری نوظهور (Emerging Infectious Diseases) منتشر شده‌، کووید-19 دارای مقدار R0 میانه 7/5 است. مقدار 7/5 نشان می ‌دهد که یک فرد مبتلا به کووید-19 نه فقط ۲ تا ۳ نفر مورد انتظار پژوهشگران بلکه توانایی آلوده کردن ۵ تا ۶ نفر را دارد. علاوه بر این، ویروس در حال تکامل است و سویه های متفاوتی از آن نیز در قسمت های مختلف جهان کشف شده اند. این تغییرات روز به روز ویروس را قوی ‌تر کرده و روزانه جان هزاران نفر را می گیرد. براین اساس، با توجه به چندین مورد شیوع در اجتماع، کشورهای مختلفی آلوده شده اند. به همین دلیل، منابع کشور های مختلف رو به اتمام است و کادر درمان به ابزار های تشخیصی برای بررسی موارد احتمالی کووید-19 نیاز دارند. از این رو، مدل‌ های ساده ای را براساس تصاویر اشعه ایکس و سی تی اسکن جهت شناسایی و طبقه ‌بندی موارد ابتلا به کووید-19 درست کرده ایم. مدل‌ های ما مبتنی بر یادگیری عمیق بوده و طبقه بندی دودویی و چند کلاسه را نیز انجام داده ایم. نتایج تجربی طبقه ‌بندی دودویی، صحت کلی 64/99 درصد، یادآوری (یا حساسیت) 58/99 درصد، دقت 56/99 درصد، امتیاز اف 1 به میزان درصد و ROC برابر با ۱۰۰ درصد را نشان می دهد. هم چنین، نتایج تجربی طبقه ‌بندی‌ های چندگانه نمایانگر صحت 28/98 درصد، یادآوری (یا حساسیت) 25/98 درصد، دقت 22/98 درصد، امتیاز اف 1 به میزان 23/98 درصد و ROC برابر با 87/99 درصد است. مدل های ما از نظر معیارهای عملکردی و هم چنین مجموعه داده‌ ها از اکثر روش های موجود پیشی گرفتند. ثابت شده است که این روش می ‌تواند در حالت اضطراری مفید واقع شود. از این گذشته، مدل های ما در مجموعه داده‌ های فعلی کارآمد شناخته شده اند. با این حال، هنوز نیازمند مطالعه بالینی و آزمایش است.

Abstract

Covid-19 (Coronavirus Disease-2019) is the most recent coronavirus-related disease that has been announced as a pandemic by the World Health Organization (WHO). Furthermore, it has brought the whole planet to a halt as a result of the worldwide introduction of lockdown and killed millions of people. While this virus has a low fatality rate, the problem is that it is highly infectious, and as a result, it has infected a large number of people, putting a strain on the healthcare system, hence, Covid-19 identification in patients has become critical. The goal of this research is to use X-rays images and computed tomography (CT) images to introduce a deep learning strategy based on the Convolutional Neural Network (CNN) to automatically detect and identify the Covid-19 disease. We have implemented two different classifications using CNN, i.e., binary and multiclass classification. A total of 3,877 images dataset of CT and X-ray images has been utilised to train the model in binary classification, out of which the 1,917 images are of Covid-19 infected individuals . An overall accuracy of 99.64%, recall (or sensitivity) of 99.58%, the precision of 99.56%, F1-score of 99.59%, and ROC of 100% has been observed for the binary classification. For multiple classifications, the model has been trained using a total of 6,077 images, out of which 1,917 images are of Covid-19 infected people, 1,960 images are of normal healthy people, and 2,200 images are of pneumonia infected people. An accuracy of 98.28%, recall (or sensitivity) of 98.25%, the precision of 98.22%, F1-score of 98.23%, and ROC of 99.87% has been achieved for the multiclass classification using the proposed method. On the currently available dataset, the our proposed model produced the desired results, and it can assist healthcare workers in quickly detecting Covid-19 positive patients.

5. Conclusion

Covid-19 has a median R0 of 5.7, according to a new study published online in Emerging Infectious Diseases. The 5.7 indicates that one person infected with Covid-19 has the ability to infect 5 to 6 people, rather than the 2 to 3 expected by researchers. Not only that, but the virus is evolving, and different types of strains have been discovered in different parts of the world. These changes are making the virus stronger by the day, and thousands of people are dying every day. As a result, several countries have been affected, with several incidents of community spread. Due to this, various countries are running out of resources and healthcare workers require diagnostic tools to investigate cases of potential Covid-19. Hence, we have developed simple models based on Xrays and CTs to detect and classify the Covid-19 cases. Our models are deep learning-based, and we’ve done binary and multiclass classification. The experimental results for binary classification show an overall accuracy of 99.64%, recall(or sensitivity) of 99.58%, the precision of 99.56%, F1-score of 99.59%, and ROC of 100%. The experimental results for multiple classifications show an accuracy of 98.28%, recall(or sensitivity) of 98.25%, the precision of 98.22%, F1-score of 98.23%, and ROC of 99.87%. In terms of performance measurements as well as dataset, our models exceeded the majority of existing approaches. This method can prove to be very helpful in case of an emergency. Our models proved to be efficient on the current dataset. However, it still needs clinical study and testing.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص و طبقه بندی خودکار مبتنی بر اشعه ایکس و سی تی اسکن covid-19 با شبکه های عصبی کانولوشن (CNN)

X-ray and CT-scan-based automated detection and classification of covid-19 using convolutional neural networks (CNN)

یکپارچگی و استخراج داده های پزشکی چند منبعی برای ارائه خدمات مراقبت سلامت

Multi-Source Medical Data Integration and Mining for Healthcare Services

چکیده
1- مقدمه
2- کارهای مرتبط
A- رمزنگاری
B- حریم خصوصی تفاضلی
C- بی نام سازی
3- انگیزش
4- رویکرد
(1) گام 1: تصویر سازی یا طرح ریزی داده های IoH برمبنای LSH-
(2) گام 2: ایجاد (ساخت) جداول هش بدون نگرانی در مورد حریم خصوصی-
(3) گام 3: جستجو و کاوش داده های مشابه IoH بر مبنای جداول هش
5- آزمایشات
A- پیکره بندی
B- مقایسه ها
C- بحث های آتی
6- نتیجه گیری

چکیده

با ظهور عصر و دوره اینترنت سلامت (IoH)، سرویس های پزشکی یا سلامت سنتی به تدریج به وب یا اینترنت مهاجرت کرده و داده های پزشکی قابل توجهی در ارتباط با بیماران، پزشکان، دارو، زیرساخت پزشکی و غیره تولید کرده اند. ترکیب و تحلیل موثر داده های IoH، بر تشخیص حوادث و سوانح علمی و سرویس های مراقبت پزشک، تاثیر مثبتی می گذارد. با این حال، داده های IoH اغلب ار میان دپارتمان های مختلف توزیع شده و محتوی حریم خصوصی جزئی (ناقص) کاربر هستند. بنابراین، یکپارچگی یا کاوش موثر داده های حساس IoH، درطول مدتی که حریم خصوصی کاربر افشا نشده است، وظیفه ای چالش برانگیز می باشد. برای غلبه بر مشکل فوق، راه حل یکپارچگی و کاوش داده های پزشکی چند منبعی جدیدی برای سرویس های مراقبت سلامت بهتر، به نام PDFM مطرح می کنیم. از طریق PDFM، پرونده های پزشکی مشابه را به شیوه زمانی کارآمد و با حفظ حریم خصوصی جستجو نموده و سر ویس های پزشکی و سلامت (بهداشتی) بهتری به بیماران عرضه می نماییم. برای تشریح امکان سنجی پیشنهاد مطرح شده در این کار، گروهی از آزمایشات وضع و پیاده گردید.

1- مقدمه

با افزایش شهرت فناوری اطلاعات و پذیرش تدریجی نرم افزار دیجیتال در حوزه های پزشکی یا سلامتی، دپارتمان ها یا آژانس های پزشکی مختلف، داده های تاریخی قابل ملاحظه ای جمع آوری نموده اند (مثلاً، پرونده های پزشکی بیماران، راه حل های درمان سالم و غیره)، که منبع اصل کلان داده های اینترنت سلامت (IoH) را تشکیل می دهند [1]. درجه بهره برداری از چنین داده های IoH، معیاری کلیدی برای ارزیابی و تعیین سطح اطلاعات واحدها یا دپارتمان های پزشکی یا سلامتی به حساب می آید [2].

6- نتیجه گیری

ترکیب و تحلیل های موثر داده های IoH به عنوان روشی موثر و مهم برای تشخیص حوادث علمی و سرویس های مراقبت سلامت شناخته می شود. با این حال، داده های IoH تولید شده توسط بیماران، اغلب در میان دپارتمان های مختلف توزیع شده، و محتوی حریم خصوصی جزئی بیمار هستند. بنابراین، یکپارچه سازی یا کاوش موثر داده های حساس IoH بدون افشاء حریم خصوصی بیمار، وظیفه ای چالش برانگیز به حساب می آید. برای حل این چالش، راه حل جدیدی به نام PDFM برای یکپارچه سازی و کاوش داده های پزشکی چند منبعی مطرح می کنیم تا به این طریق بتوانیم به سرویس های مراقبت سلامت بهتری دست یابیم. از طریق PDFM، پرونده های پزشکی مشابه را به شیوه زمانی کارآمد و با حفظ حریم خصوصی جستجو نموده و سرویس های پزشکی و سلامتی بهتری به بیماران عرضه می گردد. آزمایشات انجام شده برروی مجموعه داده واقعی، امکان سنجی PDFM را اثبات می کنند.

Abstract

With the advent of Internet of Health (IoH) age, traditional medical or healthy services are gradually migrating to the Web or Internet and have been producing a considerable amount of medical data associated with patients, doctors, medicine, medical infrastructure and so on. Effective fusion and analyses of these IoH data are of positive significances for the scientific disaster diagnosis and medical care services. However, IoH data are often distributed across different departments and contain partial user privacy. Therefore, it is often a challenging task to effectively integrate or mine the sensitive IoH data, during which user privacy is not disclosed. To overcome the above difficulty, we put forward a novel multi-source medical data integration and mining solution for better healthcare services, named PDFM (Privacy-free Data Fusion and Mining). Through PDFM, we can search for similar medical records in a time-efficient and privacy-preserving manner, so as to offer patients with better medical and health services. A group of experiments are enacted and implemented to demonstrate the feasibility of the proposal in this work.

I- INTRODUCTION

With the ever-increasing popularity of Information Technology and the gradual adoption of digital software in medical or healthy domains, various medical departments or agencies have accumulated a considerable amount of historical data (e.g., patients’ medical records, healthy treatment solutions and so on), which form a main source of big Internet of Health (IoH) data [1]. The utilization degree of such IoH data is a key criterion to evaluate and quantify the information level of medical or healthy units or departments [2].

VI- CONCLUSION

Effective fusion and analyses of IoH data are of positive significances for scientific disaster diagnosis and medical care services. However, the IoH data produced by patients are often distributed across different departments and contain partial patient privacy. Therefore, it is often a challenging task to effectively integrate or mine the sensitive IoH data without disclosing patient privacy. To tackle this challenge, we bring forth a novel multi-source medical data integration and mining solution for better healthcare services, named PDFM. Through PDFM, we can search for similar medical records in a time-efficient and privacy-preserving manner, so as to provision patients with better medical and health services. The experiments on a real dataset prove the feasibility of PDFM.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

یکپارچگی و استخراج داده های پزشکی چند منبعی برای ارائه خدمات مراقبت سلامت

Multi-Source Medical Data Integration and Mining for Healthcare Services

یادگیری ماشینی و هوش مصنوعی در خدمت پزشکی: ضرورت یا امکان؟

Machine learning and artificial intelligence in the service of medicine: Necessity or potentiality?

چکیده

مقدمه

تعاریف اولیه

پذیرش بیمار: به دست آوردن داده های اولیه بیمار

رادیولوژی

هماتولوژی

نورولوژی

سرطان شناسی

زیست شناسی سلولی و سلول درمانی

قلب و عروق

چشم پزشکی

جمع بندی

منابع

چکیده

     انگیزه: در نتیجه گرایش موجود برای دیجیتال کردن سیستم های خدمات درمانی به صورت جهانی، داده های تولید شده در خدمات درمانی احتمالا به 2314 اگزابایت داده جدید در سال 2020 می رسد.

توسعه رو به رشد سیستم های هوش مصنوعی به هدف ارائه استدلال بهتر و استفاده موثرتر از داده های جمع آوری شده صورت گرفته است. این کاربرد تنها محدود به تفسیر گذشته نگر نیست بلکه می تواند جمع بندی های تشخیصی را هم ارائه کند. همچنین این روش ها را می توان به صورتی توسعه داد که با تشخیص اولیه، بتوانند تفسیر های آینده نگر را ایجاد کنند. با این وجود، پزشک هایی که می توانند از این سیستم ها استفاده کنند، احساس می کنند که در خلا بین موارد بالینی و نظرات فنی دقیق قرار گرفته اند. کمبود آن ها یک نقطه آغازین مشخص است که از آن، می توان به دنیای یادگیری ماشینی در پزشکی نزدیک شد.

روش شناسی و ساختار اصلی: این مقاله به هدف ارائه کردن دیدگاه های ساده در رابطه با هوش مصنوعی (AI) و یادگیری ماشینی (ML) در زمینه پزشکی برای پزشکان علاقه مند و پیشرفت های مربوطه در سال های اخیر، ارائه شده است.

 به این منظور، ما اول مسیر های توسعه عمومی در رابطه با مفاهیم استفاده از AI و ML در سیستم های خدمات درمانی را بررسی می کنیم. سپس ما زمینه هایی را ارائه می کنیم که این تکنولوژی ها از قبل تست یا استفاده شده اند مانند هماتولوژی، نورولوژی، علوم قلب، سرطان شناسی، رادیولوژی، چشم پزشکی، زیست شناسی سلولی و درمان سلولی.

تعاریف اولیه
     هوش موضوعاتی است که ممکن است تعاریف مختلفی برای آن ارائه شده است. یک تحقیق ساده در وبسایت به ما کمک می کند تا صد ها تعریف از نقطه نظر های مختلف برای هوش به دست بیاوریم ( فلسفه، زیست شناسی، روان شناسی، ریاضی، علوم کامپیوتر). اما، برای بررسی جدید ترین دانش، ما تلاش می کنیم تا بیشترین تعاریف را از مقالات شناسایی کنیم.

     هوش توانایی برای ایجاد طراحی های سازگار، حل کردن مسائل یا ایجاد کردن محصولاتی هستند که برای فرهنگ یا زمینه تجاری خاص، ارزشمند هستند. هوش از ارتباطات ذهنی، حافظه، استدلال، درک، انتزاع، مفهوم سازی، تخمین، سیستم سازی و استنتاج های منطقی استفاده می کند. این المان ها برای به دست آوردن دانش جدید از حقایق مشخص، مورد استفاده قرار می گیرد.

     هوش مصنوعی در طرف دیگر، هوش مصنوعی به معنی توانایی سیستم برای تفسیر داده های خارجی به صورت صحیح، یادگیری این داده ها و استفاده از این یادگیری ها برای رسیدن به اهداف خاص و وظایف با استفاده از تطبیق های منعطف می باشد [13].

     بخش اصلی AI نیز یادگیری ماشینی (ML) می باشد که این موضوع در شکل 2 نشان داده شده است. یادگیری ماشینی زمانی صورت می گیرد که ما از کامپیوتر ها برای استفاده از مدل های آماری در داده ها ، استفاده می کنیم. یادگیری ماشینی یکی از زیر مجموعه های زمینه علمی AI می باشد که در آن برنامه های کامپیوتری (الگوریتم ها) روابط بین ورودی و خروجی ها را یاد می گیرند. ما می توانیم بین سه دسته مختلف از الگوریتم های ML تمایز ایجاد کنیم: یادگیری با سرپرست، یادگیری بدون سرپرست، و یادگیری تقویت شده.

شبکه های عصبی پیچشی نیروی دوگانه برای تقسیم بندی دقیق تومور مغزی

Dual-force convolutional neural networks for accurate brain tumor segmentation

چکیده

1. پیشگفتار

2. کارهای مربوطه

2.1. معماری‌های CNN

2.2. روش‌های پس از پردازش

3. شبکه‌های نیروی دوگانه

3.1. مرور مختصری از خطوط پایه

3.2. DeepMedic چند سطحی

3.3. شبکه‌های نیروی دوگانه

3.4. تابع زیان مبتنی بر توزیع برچسب

3.5. پس از پردازش

4. آزمایش‌ها

4.1. مجموعه داده‌ها

4.2. جزئیات پیاده‌سازی

4.3. معیارهای ارزیابی

4.4. مقایسه عملکرد بین DeepMedic و MLDeepMedic

4.5. اثربخشی روش پس از پردازش مبتنی بر DFN و MLP

4.6. مقایسه با پیشرفته‌ترین روش‌ها

4.7. تجزیه و تحلیل پیچیدگی

5. نتیجه‌گیری

چکیده

 تقسیم‌بندی تومور مغزی از اسکن‌های تصویربرداری رزونانس مغناطیسی، برای هر دوی تشخیص و درمان سرطان مغزی، حیاتی است. به طور گسترده‌ای پذیرفته شده است که تقسیم‌بندی دقیق بستگی به اطلاعات چند-سطحی دارد. با این حال، معماری‌های عمیق موجود برای تقسیم‌بندی تومور مغزی موفق به تشویق صریح مدل‌ها به یادگیری ویژگی‌های سلسله مراتبی با کیفیت بالا نمی‌شوند. در این مقاله، مجموعه‌ای از رویکردها را برای افزایش کیفیت ویژگی‌های سلسله مراتبی شناخته شده ارائه می‌دهیم. نقش ما ادغام چهار جنبه است. اولا، به منظور استفاده از اطلاعات چند-سطحی برای تقسیم‌بندی دقیق‌تر، مدل محبوب DeepMedic را به Multi-Level DeepMedic توسعه می‌دهیم. دوما، طرحواره آموزشی نیروی دوگانه جدیدی را برای ارتقاء کیفیت ویژگی‌های چند-سطحی آموخته شده از مدل‌های عمیق ارائه می‌دهیم. این طرحواره، طرح آموزشی کلی است و می‌توان آن را در بسیاری از معماری‌های موجود، از قبیل DeepMedic و U-Net اعمال کرد. سوما، یک تابع زیان مبتنی بر توزیع برچسب را به عنوان رده‌بندی کننده کمکی برای تشویق لایه‌های سطح بالای مدل‌های عمیق به یادگیری اطلاعات انتزاعی‌تر طراحی می‌کنیم. در نهایت، یک رویکرد جدید پس از پردازش مبتنی بر ادراک چند-لایه‌ای  را برای اصلاح نتایج پیش‌بینی مدل‌های عمیق پیشنهاد می‌دهیم. آزمایش‌های گسترده‌ای روی دو مورد از جدیدترین مجموعه داده‌های تقسیم‌بندی تومور مغزی، یعنی، BRATS 2017 و BRATS 2015، انجام شده است. نتایج مربوط به این دو مجموعه داده نشان می‌دهند که رویکردهای ارائه شده به طور مداوم عملکرد تقسیم‌بندی دو مدل عمیق محبوب را ارتقا می‌بخشند. 

5. نتیجه‌گیری

تقسیم‌بندی دقیق تومور مغزی بستگی به اطلاعات چند سطحی دارد. با این حال، مدل‌های عمیق موجود به طور صریح کیفیت ویژگی‌های سلسله مراتبی آموخته شده را تضمین نمی‌کنند. در این مقاله، یک استراتژی آموزشی نیروی دوگانه را برای تشویق صریح مدل‌های عمیق به یادگیری ویژگی‌های چند سطحی با کیفیت بالا ارائه می‌دهیم. این امر به وسیله یک تابع زیان مبتنی بر توزیع برچسب برای یادگیری اطلاعات معنایی انتزاعی و یک تابع زیان softmax برای تقسیم‌بندی با استفاده از ویژگی‌های چند سطحی تحقق می‌یابد. استراتژی آموزشی نیروی دوگانه را می‌توان در بسیاری از شبکه‌های محبوب از قبیل Deep-Medic و U-Net اعمال کرد. اِعمال استراتژی ارائه شده در مدل‌های عمیق تنها به طور جزئی پیچیدگی زمانی و فضایی را در حین آموزش افزایش می‌دهد. علاوه‌براین، همچنین یک روش پس از پردازش مبتنی بر MLP را ارائه می‌دهیم که می‌تواند به طور خودکار قوانین پردازش را از داده‌ها، به جای خلاصه‌سازی دستی، یاد بگیرد. آزمایش‌های گسترده روی دو مورد از جدیدترین پایگاه‌های داده تقسیم‌بندی تومور مغزی، کارایی و اثربخشی رویکردهای ارائه شده را تایید می‌کنند. یکی از کمبودهای روش پس از پردازش مبتنی بر MLP این است که فرایند آموزشی آن جدای از فرایند آموزشی DFN است؛ بنابراین، چارچوب کلی کاملا انتها-به-انتها نیست. در آینده، قابلیت تقسیم‌بندی معماری تقسیم‌بندی را بهبود خواهیم بخشید به طوری که بتوان از مرحله پیش پردازش جداگانه جهش کرد. 

Abstract

Brain tumor segmentation from Magnetic Resonance Imaging scans is vital for both the diagnosis and treatment of brain cancers. It is widely accepted that accurate segmentation depends on multi-level information. However, exiting deep architectures for brain tumor segmentation fail to explicitly encourage the models to learn high-quality hierarchical features. In this paper, we propose a series of approaches to enhance the quality of the learnt hierarchical features. Our contributions incorporate four aspects. First, we extend the popular DeepMedic model to Multi-Level DeepMedic to make use of multi-level information for more accurate segmentation. Second, we propose a novel dual-force training scheme to promote the quality of multi-level features learnt from deep models. It is a general training scheme and can be applied to many exiting architectures, e.g., DeepMedic and U-Net. Third, we design a label distribution-based loss function as an auxiliary classifier to encourage the high-level layers of deep models to learn more abstract information. Finally, we propose a novel Multi-Layer Perceptron-based post-processing approach to refine the prediction results of deep models. Extensive experiments are conducted on two most recent brain tumor segmentation datasets, i.e., BRATS 2017 and BRATS 2015 datasets. Results on the two databases indicate that the proposed approaches consistently promote the segmentation performance of the two popular deep models.

5. Conclusion

Accurate brain tumor segmentation depends on multi-level information. However, existing deep models do not explicitly guarantee the quality of the learnt hierarchical features. In this paper, we propose a dual-force training strategy to explicitly encourage deep models to learn high-quality multi-level features. This is realized by a label distribution-based loss function to learn the abstract semantic information and a softmax loss function for segmentation using multi-level features. The dual-force training strategy can be applied to many popular networks, e.g., DeepMedic and U-Net. Applying the proposed strategy to deep models only slightly increases the time and space complexity while training. Besides, we also propose an MLP-based post-processing method that can automatically learn post-processing rules from data rather than manual summarization. Extensive experiments on two most recent brain tumor segmentation databases justify the efficiency and effectiveness of the proposed approaches. One shortage of the MLP-based post processing method is that its training process is separated from that of DFN; therefore, the entire framework is not completely end-to-end. In the future, we will further enhance the segmentation capability of the deep architecture, so that a separate post-processing stage can be skipped.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

شبکه های عصبی پیچشی نیروی دوگانه برای تقسیم بندی دقیق تومور مغزی

Dual-force convolutional neural networks for accurate brain tumor segmentation

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