ارزیابی کمی محافظ انتخابی درون صفحه ای بافت ها در توموگرافی کامپیوتری از طریق ارزیابی دوز جذبی و کیفیت تصویر

Quantitative assessment of selective in-plane shielding of tissues in computed tomography through evaluation of absorbed dose and image quality

چکیده
مقدمه
مواد و روش
حفاظ ها و مدل انسانی
سی تی اسکن چندگانه، دستیابی و بازسازی
دوزسنجی
کیفیت تصویر
نتایج
دوزسنجی
کیفیت تصویر
بحث
منابع

چکیده
هدف این مطالعه بررسی کارایی محافظت انتخابی درون دستگاه در افراد بالغ با ارزیابی کمی کاهش دوز و کیفیت تصویر به دست آمده است. برای ارزیابی دوز جذب شده و کیفیت تصویر از لوازم جانبی موجود در بازار برای محافظت از لنز چشم، تیروئید و پستان و یک نماد انسانی در درون دستگاه استفاده می شود. دوز اندام و انرژی کل با استفاده از روش مونت کارلو با در نظر گرفتن ولتاژ لوله، جریان لوله و نوع اسکنر ارزیابی شد. کیفیت تصویر به عنوان نویز در بافت نرم کمی شد. استفاده از محافظ عدسی، دوز مورد نظر را در لنز 27٪ و در مغز 1٪ کاهش می دهد. محافظ تیروئید دوز تیروئید را 26٪ کاهش می دهد. محافظ پستان دوز پستان ها را تا 30٪ و ریه ها را 15 % کاهش می دهد. انرژي كل (بدون محافظ/محافظت نشده) 88/86 mJ براي توموگرافي کامپیوتری (CT) مغز، 64/60 mJ براي CT ستون فقرات گردني و 289/260 mJ براي CT اسكن قفسه سينه بود. در صورت استفاده از محافظ بیسموت، می توان افزایش نویز تصویر را در محدوده هایی مشاهده کرد. کاهش دوز مشاهده شده در اندام و انرژی کل را می توان با کاهش جریان لوله به طور موثرتری به دست آورد. بنابراین استفاده از محافظ انتخابی درون دستگاه ناامیدکننده است.

مواد و روش
حفاظ ها و مدل انسانی
سپرهای محافظ درون دستگاه با نام لباس محافظ رادیویی (شرکت F&L Medical Products Co.، Vandergrift، PA، USA) موجود هستند. آن ها از ورق های نازک و انعطاف پذیر لاتکس حاوی 3.4 گرم بر سانتی متر مربع بیسموت تشکیل شده اند. ابعاد محافظ لنز چشم 14 × 3.5 سانتی متر مربع، سپر تیروئید 15 × 8.5 سانتی متر مربع است و ابعاد هر یک از ورق های تشکیل دهنده این جفت محافظ پستان 20 × 25 سانتی متر مربع بود. لبه های سپرها گرد و متناسب با فرم بدن طراحی شده است. یک مدل Rando انسانی (آزمایشگاه فانتوم، سالم، نیویورک، ایالات متحده آمریکا) نشاندهنده جمجمه و تنه یک مرد 175 سانتی متری با وزن 73.5 کیلوگرم بر اساس تقاضا در یک قطعه ساخته شد تا اثر محافظ انتخابی بر کیفیت تصویر و دوز جذب شده را بررسی کند. این فانتوم از مواد مصنوعی تشکیل شده و تراکم و ضعف اشعه ایکس بافت ریه و بافت نرم در اسکلت انسانی را نشان می دهد [11]. دو ماژول پستان متشکل از مواد بافت (موم زنبورهای عسل) از هر کدام 260 سانتی متر مکعب می توانند به فانتوم اضافه شوند.

سی تی اسکن چندگانه، دستیابی و بازسازی
به منظور محاسبه دوز و ارزیابی کیفیت تصویر، اسکن CT چندگانه(MSCT) فانتوم از یک اسکنر Aquilion16CFX (توشیبا، ژاپن) (120 کیلوولت، 16 × 1 میلی متر، 100 میلی آمپر) به دست آمد. میدان دید اسکن (SFOV) 400 میلی متر بود. در مجموع 259 تصویر به صورت برش های نزدیک هم با ضخامت 4 میلی متر که کل فانتوم را پوشش می دهد، بازسازی شد. میدان دید بازسازی شده 400 میلی متر بود و از ماتریس تصویر 5122 استفاده شد. اسکن ها از پنج ساختار مختلف ساخته شده اند. هر اسکن به منظور افزایش دقت در ارزیابی نویز، دو بار تکرار شد. ساختارهای انتخاب شده اسکن شامل دو مورد بدون محافظ، به ترتیب با و بدون ماژول های پستان و سه شکل با محافظ به ترتیب با محافظ لنز چشم، سپر تیروئید و سپر پستان بود.

دوزسنجی
برای اهداف دوزسنجی، مدل وکسل از سی تی اسکن فانتوم انسانی به دست آمد. تصاویر اصلی به 256 × 256 پیکسل کاهش یافت. وکسل های مربوطه به صورت 1.6 × 1.6 × 4 میلی مترمکعب کاهش یافت. محل قرارگیری لنز چشم و تیروئید در داخل فانتوم وکسل توسط رادیولوژیست (AS) مشخص شد. بافت پستان و ریه را می توان به راحتی تشخیص داد.

تصویربرداری In Vivo CEST MR از رگزایی تومور مغزی موش U87 با استفاده از ماده کنتراست هدفمند LipoCEST در 7 T

In Vivo CEST MR Imaging of U87 Mice Brain Tumor Angiogenesis Using Targeted LipoCEST Contrast Agent at 7 T

روش ها
کشت های سلولی و مدل حیوانی
معرف های همسنجی LipoCEST
دریافت MRI
پردازش داده
بافت شناسی و میکروسکوپ فلورسنس
نتایج
تعیین خصوصیات LipoCEST و همسنجی MT
تشخیص in vivo در LipoCEST
حساسیت سیگنال LipoCEST در محیط In vivo
دوام و اختصاصیت سیگنال lipoCEST در محیط in vivo
جمع شدن RGD-LipoCEST و αvβ3 در تومورهای مغزی
بحث
نتیجه گیری
منابع

LipoCEST معرف های همسنجی پارامغناطیس پوشیده شده-لیپوزوم (CA) بر پایه انتقال اشباع تبادل شیمیایی هستند که در MRI مولکول های زیستی کاربرد دارد. ویژگی های جذاب آن ها شامل قابلیت سازگاری زیستی، حساسیت زیرنانومولار و امکان عمل روی بیومارکرهای هدف است. ما تصویربرداری MR را با استفاده از lipoCEST هدف که به صورت داخل وریدی تزریق می شد، نشان دادیم. یک lipoCEST کمپلکس های Tm(III را حمل می-کند که با تری پپتید RGD (RGD-lipoCEST) کونژوکه می شود تا پذیرنده های αvβ3 را که در رگزایی تومور دخالت دارند را هدف قرار دهد و با یک lipoCEST غیرکونژوکه مقایسه شود. تومورهای مغزی موش های آزمایشگاهی فاقد غده تیموس بودند و از طریق تزریق داخل مغزی سلول های U87MG انجام شد و در 7 T بعد از تزریق داخل وریدی دو عامل متقابل تصویربرداری صورت گرفت (n=12 برای هر گروه). تبادل اشباع شیمیایی توالی انتقال MSME طی دو ساعت با میانگین فواصل زمانی دریافت 13.5 دقیقه انجام شد. سیگنال انتقال اشباع تبادل شیمیایی در تومور و نواحی جانبی حدود 1% بود، و پس از 2 ساعت به حدود 0.3% کاهش یافت. در حالی که سیگنال RGD-lipoCEST در ناحیه تومور حدود 1.4 % بود و حدود 2 ساعت دوام داشت. رنگ آمیزی  هیستوشیمیایی نشاندهنده یک تجمع RGD-lipoCEST با پذیرنده های αvβ3 در ناحیه تومور است. این نتایج اساس گامی دلگرم کننده به سمت تصویربرداری MRI درون سلولی از رگزایی تومور با استفاده از تزریق داخل وریدی lipoCEST است.

روش ها
کشت های سلولی و مدل حیوانی
همه آزمایش ها بر اساس قواعد سختگیرانه توصیه شده در انجمن اروپایی (609/86) و انجمن ملی فرانسه (848/87) برای مراقبت و استفاده از حیوانات آزمایشگاهی انجام شدند. رده سلولی گلیوما بدخیم در انسان، U87MG از ATCC خریداری شد (Rockville, MD) و در مکمل تعدیل شده Dulbecco در Eagle حاوی سرم جنین گاوی 10% ، گلوتامین 1% و گلوتامیسین 1% کشت شد. کشت ها در محیط کنترل شده با دمای 37 درجه سانتی گراد یا 5% CO2 انکوبه شدند و دو یا سه باردر هفته از آن عبور کردند. تومورهای مغزی با تزریق داخل مغزی سلول های U87MG، 1.2×105 سلول در 2 میکرولیتر به موش های بدون تیموس و دارای نقص ایمنی NU/NU تحریک شدند (Janvier, France). موش ها در ابتدا با مخلوطی از کتامین/زایلازین بیهوش شدند (50/7.5 mg/kg, i.p.) و در داخل یک محفظه قرار گرفتند. یک سوراخ 1 میلی متری در جداره چپ جمجمه ایجاد شد تا اجازه عبور سرنگ همیلتون جهت تزریق سلول های U87MG داده شود. حدود 2-3 هفته بعد، وقتی قطر تومور بین 2 و 5 mm بود، موش ها برای تصویربرداری MR برده شدند.

معرف های همسنجی LipoCEST
LipoCEST با میانگین قطر هیدرودینامیک، dH حدود 170 نانومتر توسط موسسه تحقیقاتی گوربت (آلبانی-سوس بویس، فرانسه) تولید شد (3). هر نانوذره lipoCEST حاوی یک لیپوزوم است که در آن کمپلکسی از تولیوم (4، 7-بیس کربوکسی متیل-1، 4، 7، 10 تترا-آزا سیکلودودکا-1- y1)-استیک اسید، با دو مولکول آب پیوند برقرار کرده است. غلظت لیپید کل حدود 23 mM بود و با کالیبره کردن با عنصر فسفر تایید شد که از طریق اندازه گیری اسپکتروسکوپی گسیل اتمی پلاسمای جفت شده القا شده (ICP-AES) پس از معدنی سازی و از طریق کروماتوگرافی مایع با عملکرد بالا (HPLC) بعد از رسوب لیپوزوم ها در متانول بود. غلظت نهایی اتم های تولیوم TM (III) نیز توسط ICP-AES پس از معدنی سازی تعیین شدند و حدود 13 mM بود. بر اساس این اندازه گیری ها، غلظت کمپلکس های TM (III) به دام افتاده حدود 250 mM محاسبه شد و غلظت نانوذرات موجود در محلول Cn حدود 48 nM بود. غشای لیپوزومی حاوی مخلوطی از لیپیدها بود

معماری هوشمند محیطی مبتنی بر زمینه MRPM 12 ضربه ای فیلتر FIR نیم باند بیشتر حساسیت زدایی شده برای سیگنال EEG

Ambient intelligence architecture of MRPM context based 12-tap further desensitized half band FIR filter for EEG signal

چکیده
1. مقدمه
2. اثر مربوط
3. روش ارائه شده
4. نتایج و مباحث
5. نتیجه گیری
منابع

چکیده
فیلتر نیم باند ساخته شده با ساختاری آبشاری از فیلتر FIR عدم حساسیت پاسخ فرکانس را با توجه به کمی سازی ضریب کاهش می دهد. فقدان در حساسیت ضریب را می توان با فیلتر FIR نیم- باند حساسیت زدایی شده، بیشتر کاهش داد. یک فیلتر حساسیت زدایی شده دیجیتال شامل فیلتر نیم باند اول و دوم متصل به یک آبشار بین ورودی و خروجی فیلتر دیجیتال است. طراحی آنالیز سیگنال های (EEG) الکتروانسفالوگرام با معماری (FIR) فیلتر پاسخ پالس محدود نیم- باند انجام می شود. این اثر FIR نیم باند 12- ضربه اضافی حساسیت زدایی شده، یگ (MRPM) افزاینده (ضرب کننده) دهقان روسی تغییر یافته کارآمد را با یک بخش (SQRT CSLA) جمع کننده گزینش رقم نقلی ریشه مربعات به کار می گیریم، لازم به ذکر است که (SQRT CSLA) به منظور کاهش سخت افزار در واحد (MAC) ضرب کننده و جمع کننده استفاده می شود. طراحی فیلتر ارائه شده برای آنالیز سیگنال های EEG با سخت افزار کاهش یافته در مونیتورینگ مربوط به مراقبت های بهداشتی برای محیط پیرامون به کار گرفته می شود. روش ارائه شده کاهش 38.5% در تعداد LUTها، کاهش 47.49% در تعداد تکه ها، کاهش 8.16% در تاخیر (نانو ثانیه) و کاهش 29.80% در قدرت (mw) را به معرض نمایش می گذارد.

2. اثر مربوط
2.1. ضرب کننده دهقان روسی
RPM یکی از بهترین الگوریتم های ضرب است. این به قانون «ضرب و تقسیم» بستگی دارد. به منظور ضرب و تقسیم پیاده سازی داده های دیجیتال، شیفترهای چپ و راست استفاده می شود. جمع کننده ها، شیفترهای چپ، شیفترهای راست، تسهیم کننده های 2:1 در RPM استفاده می شود. این روش آسان برای ضرب دو مقدار بیت «n» بصورت مفصل توسط کومار و رابی (2016) تشریح می شود. در این ضرب، این مشتمل بر 3 مرحله است،
• نسل تولید جزئی (PPG)
• کاهش درخت والاس (WTR)
• واحد اضافه نهایی (FAU)

ساختار تغییر یافته ضرب کننده دهقان روسی در شکل 2 نشان داده شده است. در (MDRPM) ضرب کننده دهقان روسی دیجیتال تغییر یافته تنها شیفترهای چپ برای ارائه نتایج PPG استفاده می شود. (RWTG) نسل کاهشی درخت والاس به منظور ثبت نتایج PPG توسعه می یابد. ترکیب کمپرسورهای 5-2، 3-2، 4-2 و نصف جمع کننده ها در ضرب کننده درخت والاس کاهش یافته، در چهار بخش مختلف از مراحل کاهش تولیدات جزئی به کار گرفته می شود. اضافه دو داده بیت «n» با استفاده از (MSQRTCSLA) SQRTCSLA تغییر یافته 16- بیتی انجام می شود.

بلوک نسل رقم نقلی در SQRT CSLA زمان محاسباتی بیشتری را در فرایند اضافه نمودن خرح می کند. SQRTCSLA با استفاده از بلوک کاهش یافته CG تنها چند گیت AND دارد و گیت های OR به منظور تولید خروجی رقم نقلی استفاده می شوند، هم چنان که در SQRTCSLA مرسوم تعداد بالایی از گیت های AND و OR به کار گرفته می شود. MSQRTCSLA شامل DRPM است همانطور که توسط اوتیاکومار و کامالراج (2017) تشریح می شود.

اثرات القا شده در یک ضربان ساز مجهز به سیستم شارژ انتقال انرژی بی سیم

Induced Effects in a Pacemaker Equipped With a Wireless Power Transfer Charging System

1 . مقدمه
2 . تنظیمات سیستم
3 . مدل ریاضی
4 . کاربردها
5 . نتیجه گیری
منابع

این مقاله تداخل الکترومغناطیسی (EMI) درون سیستمی را در یک تنظیم کننده ی ضربان قلب مجهز به سیستم شارژ انتقال توان بیسیم (WPT) بررسی می کند. کاربرد WPT در تنظیم کننده بسیار نوین می باشد، و هیچ نتیجه ای در مورد اثرات ممکن EMI، که توسط جریان سیم پیچ WPT در سرپوش تنظیم کننده ضربان تولید می شود، تاکنون منتشر نشده است. برای این منظور، یک روش میدان/ مدار شبیه سازی اصلی و کارآمد ارائه شده است، تا ولتاژهای القایی در سرپوش تنظیم کننده را پیش بینی کند. در محاسبات عددی، تنظیم کننده ی ضربان با کویل ثانویه ی WPT و یک سرپوش تنظیم کننده، در یک مدل پیچیده ی بدن انسان، کاشت می شود. نتایج عددی توسط اندازه گیری ارزیابی می شوند، که سازگاری خوبی دارند. رویکرد ارائه شده، یک ابزار مناسب برای تست های سازگاری EMI تنظیم کننده و ارزیابی امنیت، مفید می باشد.

2 . تنظیمات سیستم
هنگامی که تنظیم کننده مجهز به سیستم شارژ WPT می شود، کویل ( سیم پیچ) اولیه در سطح بدن قرار می گیرد، در حالی که کویل دوم درون بدن، به عبارت دیگر، در تنظیم کننده، قرار دارد [1] و [2]. جریان های کویل WPT، یک میدان مغناطیسی متغیر با زمان تولید می کنند که برای انتقال القایی توان مورد نیاز می باشد، اما این میدان می تواند جریان و ولتاژی بر سرپوش های تنظیم کننده با خطر تولید EMI در مدارات تنظیم کننده و مشکلاتی برای قلب، القا کند [5] – [9].

با در نظر گرفتن تنظیم کننده با یک سرپوش تک قطبی، تنظیم کننده ی ضربان یک الکترود کاتدی دارد که درون قلب قرار می گیرد، در حالی که آند، محفظه ی فلزی تنظیم کننده می باشد [شکل 1a]. مسیر بازگشت جریان درون بدن انسان به وضوح تعریف نشده است [شکل 1b]. در روش ارائه شده، فرض می شود سرپوش تک قطبی یک TL غیر یکنواخت تحریک میدانی می باشد. بنابراین، سرپوش به تعدادی بخش TL سری (شکل 1c) تقسیم (گسسته سازی) می شود، که تحریک آن ها به ناحیه حلقه ای محدود به سرپوش و مسیر بازگشت جریان، بستگی دارد.

3 . مدل ریاضی
A . مدارهای معادل
پس از گسسته سازی سرپوش تک قطبی، مدار معادل TL تحریک شده با میدان، می تواند یا یک سری آبشاری از شبکه های دو پورتی فعال پارامتر مجموع، مدلسازی می شود. مدار معادل مجتمع i امین بخش سرپوش در دامنه فرکانسی در شکل 2a نمایش داده شده است، که در آن Zii = Ri + jωLii امپدانس سری، و Yii = Gi + jωCii ادمیتانس شانت می باشد، همچنین Ei و Ji منابع ولتاژ و جریان مستقل، به دلیل تحریک خارجی، می باشند [10]. منابع ولتاژ و جریان کنترل شده کوپل متقابل بین بخش های مختلف خط را نمایش می دهند. برای مورد آزمایشی، مدار معادل می تواند با صرف نظر از پارامترهای شانت، به عبارت دیگر با استفاده از تقریب فرکانس پایین (LF)، ساده سازی شود (شکل 2b).

تشخیص تنگی دریچه آئورت با تجزیه و تحلیل همبستگی صداهای قلب فیلتر شده با موجک

Diagnosis of aortic valve stenosis by correlation analysis of wavelet filtered heart sounds

چکیده
1 .مقدمه
2. روش شناسی
3. نتایج
4. بحث
5. نتیجه گیری
منابع

چکیده
روش گوش دادن مرسوم توسط پزشکان عمومی (GP) همچنان با مشکلاتی همراه است و اغلب تنها در مراحل پیشرفته بیماری های مربوط به دریچه های قلب نتایج قابل توجهی فراهم می کند. امروزه تنگی و نارسایی های دریچه با دستگاه های اولتراسونیک دقیق اما پرهزینه تشخیص داده می شوند. هدف از این پژوهش ارائه یک روش جدید برای آنالیز صدای قلب به منظور تشخیص تنگی دریچه آئورت (AVS) بر اساس رویکرد تکنیک موجک و همبستگی است.

صدای قلب 81 بیمار (43 بیمار مبتلا به AVS، 11 شاهد سالم-REF و 27 بیمار مبتلا به بیماریهای دریچه ای دیگر –OVD) با یک استتوسکوپ الکترونیکی ضبط شده و بعد از فیلتر کردن با موجک، انولوپ ها محاسبه شدند. سه همبستگی بر اساس این انوولوپ ها اجرا شدند: 1) درون AVS، 2) درون گروه ترکیبی AVS+REF و 3) درون گروه ترکیبی AVS+OVD که به ضرایب همبستگی rAvS، rAVS/REF و rAVS/OVD منجر شدند.

نتایج نشان می دهند که rAvS، به میزان قابل توجهی بالاتر از rAVS/REF و rAVS/OVD است(P<0.01). این اختلافات در الگوهای صوتی بین گروه ها نشان می دهد که روش معرفی شده امکان تشخیص خودکار AVS را فراهم می اورد.

ما یک روش جدید برای طبقه بندی صدای قلب طراحی کردیم که به نظر می رسد که برای تشخیص بیماریهای دریچه قلب مناسب بوده و استفاده از ان برای پزشکان عمومی کم هزینه و آسان است.

2. روش شناسی
ما صدای قلب 81 بیمار را ثبت کردیم. تشخیص تمام بیماری های دریچه ای توسط یک کاردیولوژیست با تجربه تایید شد. صداهای قلبی با طول 15 ثانیه از ناحیه مختلف ثبت شدند (شکل1).

برای ضبط صداها از یک استتوسکوپ متصل به یک آمپلیفایر ECG تک لید استفاده شد. سیگنال ها با استفاده از یک کارت صدا با فرکانس نمونه برداری 44100 هرتز و رزولوشن 16 بیت دیجیتالی شده و به همراه اطلاعات بیمار در یک پایگاه داده ثبت شدند.

فاصله –RR (از ECG همزمان) مربوط به قطعات صوتی با نسبت سیگنال به نویز کمتر از آنالیز بیشتر کنار گذاشته شدند.با استفاده از آنالیز موجک، سیگنال های صدای قلب به 20 مقیاس فرکانسی تجزیه شدند. این مقیاس ها برای هر دوره ی قلبی به صورت مجزا استخراج شدند. علاوه بر این، یک انولوپ با طول استاندارد برای هر دوره محاسبه شد. با استفاده از این انولوپ ها یک الگوی نمایشی برای هر بیمار محاسبه شده و برای آنالیزهای همبستگی جهت یافتن تفاوت های ویژه بین گروه ها استفاده شد.

شکل 1. نواحی گوش دادن 1 تا 7
A. بیماران
سه گروه از بیماران در این مطالعه شرکت داده شدند. گروه اول شامل تمام بیمارانی بود که از AVS (تنگی خفیف، ملایم و شدید) رنج می بردند (جدول1)، این افراد همچنین به میزان کمی از تنگی یا نارسایی دریچه های دیگر نیز رنج می بردند. شدت AVS از روی استانداردهای اکورادیوگرافی نشان داده شده در جدول 2 تعیین شد. بیماران گروه دوم (OVD) از دیگر بیماری های مرتبط با دریچه های قلب به غیر تنگی دریچه آئورت رنج می برند. و گروه سوم افراد سالمی هستند که به عنوان شاهد (کنترل) در این مطالعه شرکت داده شده اند.

تشخیص تنگی دریچه آئورت با استخراج پارامتر سیگنال های صوتی قلب

Diagnosing Aortic Valve Stenosis by Parameter Extraction of Heart Sound Signals

چکیده
مقدمه
روش شناسی
جمع آوری داده و بیماران
پردازش سیگنال
آنالیز موجک مالتی رزولوشن
قطعه بندی سیگنال ها
تبدیل فوریه کوتاه مدت و تبدیل موجک
استخراج پارامتر
آمار
نتایج
بحث
نتیجه گیری
منابع

چکیده
هدف از این مطالعه طراحی یک سیستم آنالیز سیگنال خودکار برای تشخیص صدای قلب بود. این سیستم باید به پزشک عمومی در تشخیص زودهنگام تنگی دریچه آئورت کمک کند تا نیاز به مداخلات جراحی را کاهش دهد. روش آنالیز به کار گرفته شده بر دسته بندی سیگنال های صدای قلب با استفاده از استخراج پارامتر استوار است. سری های جدید از تخریب موجک یک چرخه ی قلبی و همچنین از تبدیل فوریه کوتاه مدت (STFT) و طیف تبدیل موجک (WT) گرفته شدند. در چندین بخش، پارامترها استخراج شده و آنالیزگردیدند. علاوه بر این، خصوصیات تبدیل فوریه سریع (FFT) سیگنال خام نیز ارزیابی شدند. در این مطالعه 206 بیمار مشارکت داشتند که از میان آنها 159 نفر یا بیماری قلبی نداشتند یا بیماری قلبی آنها از نوع تنگ شدگی دریچه ی آئورت نبود و 47 نفر باقیمانده به درجات مختلفی (خفیف، ملایم و حاد) از تنگی آئورت مبتلا بودند. برای تفکیک گروه ها به منظور کاهش مجموعه پارامترها از تابع افتراقی خطی استفاده شد. حساسیت سیستم طبقه بندی دو سطحی معرفی شده برای تشخیص خودکار تنگی دریچه ی آئورت برای تنگ شدگی های حاد و متوسط 100% و برای تنگ شدگی های خفیف 75% بود. اختصاصیت این سیستم برای بیماران غیر مبتلا به تنگ شدگی دریچه ی آئورت 93.7% بود. روش ابداع شده در این مطالعه قوی و مقرون به صرفه بوده و استفاده از آن بسیار آسان است و به این ترتیب، می تواند یک روش مناسب برای تشخیص تنگ شدگی دریچه ی آئورت توسط پزشکان عمومی باشد.

روش شناسی
جمع آوری داده و بیماران
با استفاده از یک استتوسکوپ الکترونیکی و با یک پاسخ فرکانسی خطی از 20 هرتز تا 20 کیلوهرتز، سیگنال-های صدای قلب 206 بیمار به مدت 15 ثانیه روی 7 ناحیه مختلف ضبط شد. یک ECG تک لید ضبط شد تا یک حدود برای سیکل های مجزای قلب به دست آید. هر دو سیگنال با استفاده از یک کارت صدای فراهم کننده نمونه برداری 44100 هرتز و رزولوشن 16 بیت دیجیتالی شده و در یک پایگاه داده به همراه یک گزارش اکوکاردیوگرافی تاییده شده توسط یک کاردیولوژیست ذخیره شدند.

با توجه به فواصل RR بدست آمده از سیگنال ECG، صداهای ضبط شده به دوره های قلبی مجزا تفکیک شدند. بنابراین، پیک های R به صورت خودکار تشخیص داده شدند که از یک الگوریتم خودتوسعه یافته بر اساس یافتن بالاترین دامنه ی دوره ای در سیگنال استفاده می کنند. تمام صداهای ضبط شده به صورت دستی ویرایش شدند. دوره های دارای نویزهای مشخص از آنالیز بیشتر کنار گذاشته شدند.

علاوه بر این، روشی یرای تشخیص صدای اول و دوم قلب به کار گرفته شد. این روش بر دو رویکرد مستقل استوار بود؛ محاسبه انرژی شانون سیگنالی که موجک آن در طول زمان فیلتر شده (0-172 هرتز) و توتال پاور محاسبه شده با جمع کردن تمام ضرایب هر پنجره تبدیل فوریه کوتاه مدت ((STFT) ( نیرو-زمان-STFT). دو نقطه بیشنه ی هر سری زمانی در چهارچوب های زمانی معین تشخیص داده شدند (صدای اول قلب: 0-150ms ، صدای دوم قلب: 350-600 ms ). این بیشینه ها در صورتی به عنوان صدای اول و دوم قلب پذیرفته می شدند که تفاوت جایگاه آنها در هر دو سری زمانی از 70ms تجاوز نمی کرد. محل صداهای قلب نهایتا از روی مقادیر میانگین جایگاه های بیشینه در هر دو سری زمانی محاسبه شد.

از تمام دوره های زمانی پذیرفته شده هر صدای ضبط شده، یک دوره قلبی مجزا بر اساس بالاترین میانگین ضریب همبستگی نسبت به سایر دوره های پذیرفته شده انتخاب شد. برای کاهش زحمت و زمان محاسبه تنها این دوره های قلبی منتخب در محاسبات دیگر استفاده شدند.

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.

اجرای پردازش سیگنال دیجیتال بلادرنگ برای PET درون پرتو تصویربرداری رادیوتراپی در HIMM

Real-time digital signal processing implementation for in-beam PET of radiotherapy imaging in HIMM

چکیده

1 مقدمه

2 سیستم PET In-beam

3 طراحی منطق پردازشی رویداد DAQU

4 نتایج آزمایشی و مقایسه

5 نتیجه گیری

منابع

چکیده

     برش نگاری با گسیل پوزیترون in-beam (ibPET) به تصویربرداری پرتودرمانی دستگاه پزشکی یون-سنگین (HIMM) اختصاص داده می شود، که به اندازه گیری آنلاین دقیق و همچنین توانایی پردازش سیگنال زمان واقعی الکترونیک ها نیاز دارد. ما در این مقاله اجرای پردازش سیگنال دیجیتالی زمان واقعی را در واحد اکتساب داده (DAQU) برای یک سیستم ibPET براساس بازخوانی لامپ تکثیر فوتونی (PMT) کریستال های سوسوزن اکسی اورتوسیلیکات لوتتیوم-ایتریوم (LYSO) ارائه می دهیم. ما مدار پردازش سیگنال سفارشی 10 کانالی را بر روی یک FPGA با عملکرد بالا طراحی کرده ایم، که از 3 حالت کاری (حالت پردازش سیگنال تک رویدادی، حالت خود کالیبراسیون و حالت داده خام (ADC))، محاسبه موقعیت، مکان یابی کریستالی، ذخیره سازی رویداد و غیره پشتیبانی می کند.

2 سیستم PET In-beam
     نمونه اولیه سیستم PET In-beam شامل دو بخش است. واحد آشکارساز، با نام آرایه آشکارساز نوع-مسطح با دو سر و یک سیستم الکترونیکی بازخوانی. شکل.1 آرایه آشکارساز نوع مسطح با دوسر از هشت بلوک آشکارساز را در سیستم نمونه اولیه نشان می دهد. این بلوک های اشکارساز به دو گروه تقسیم می شوند. هر گروه در یک آرایه آشکارساز با 2 × 2 بلوک به صورت یک سر آشکارسازی از واحد آشکارساز مرتب می شود. این دو سر آشکارسازی برعکس در دو طرف خط باریکه در امتداد آشکارسازی پرتو قرار می گیرند. هر بلوک آشکارساز شامل مولفه های 22 × 22 LYSO پیکسل (2mm ×2mm×15 mm) [19، 18] است و توسط یک PMT H8500C [20] و یک مدار پل شده با نام مدار موقعیت یابی گسسته (DPC) بازخوانی می شود [21]. DPC تعداد سیگنال های PMT را برای هر بلوک از 64 به 4 کاهش می دهد تا انرژی را اندازه گیری کند. آخرین داینود PMT برای زمان بندی استفاده می شود.

     سیستم الکترونیکی شامل واحد اکتساب داده (DAQU)، ماژول پردازش مرکزی (CPM)، و واحد ساعت و همزمان¬سازی (CSU) است. ابتدا سیگنال ها از آشکارسازها به DAQUها فید می شوند. هر DAQU با یک جفت بلوک آشکارساز همانند شکل 2 ارتباط دارد. توصیف دقیق تر از مدار سخت افزاری طراحی شده برای DAQU را می توان در [22] پیدا کرد. علاوه بر این، ویژگی های پردازش یک سیگنال دیجیتالی زمان واقعی را بهینه سازی می کنیم و توسعه می دهیم. حالت پردازش تک رویدادی و حالت خود کالیبراسیون فراتر از حالت داده های خام ADC افزوده می شوند. اطلاعات معتبر (بعنوان مثال، موقعیت، زمان، انرژی ذره، و غیره) برای هر رویداد در فریم های داده در DAQU خلاصه شده و مرتب می شوند، و سپس از طریق یک لینک فیبر نوری با سرعت بالا منتقل می شوند. CPM برای شروع فریم های داده به ترتیب زمانی با توجه به مهر زمانی هر رویداد استفاده می شود، به طوری که رویدادهای اتفاقی را به صورت کارآمدی شناسایی می کند [23]. سپس، داده های رویداد از طریق رابط PCI برای بازسازی تصویر 3D مرتبط می شوند. در عین حال، یک GSU سیگنال های ساعت و همزمانی را به تمام DAQUها ارائه می دهد تا یک سیستم بازخوانی همزمان را شکل دهد.

3  طراحی منطق پردازشی رویداد DAQU
     سه حالت پردازشی اجرا شده بر روی یک FPGA با عملکرد بالا وجود دارد. حالت پردازش تک رویدادی برای محاسبه اطلاعات موقعیت، زمان و انرژی استفاده می شود. این حالت برای پردازش تصویربرداری مشترک در سیستم ibPET استفاده می شود. حالت خود کالیبراسیون، جدول جستجوی کریستالی (CLUT) و نرمال سازی LUT (NLUT) را برای کالیبرسیون سیستم نتیجه می دهد. حالت داده های خام ADC برای تشخیص سیستم ذخیره می شوند (شکل 3 را مشاهده کنید).

تقسیم 4 بعدی آئورت قفسه سینه از MRI جریان 4 بعدی با استفاده از یادگیری عمیق

4D segmentation of the thoracic aorta from 4D flow MRI using deep learning

چکیده
1 مقدمه
2 داده ها
3 به ترتیب 42 و 34 میلی ثانیه
4 روش
5 نتایج
6 بحث
7 نتیجه گیری
منابع

چکیده
پیش زمینه: MRI جریان چهاربعدی امکان تحلیل تغییرات همودینامیک را در آئورت به دلیل آسیب شناسی هایی مانند آئوریسم آئورت قفسه سینه (TAA) فراهم می کند. شاخص های زیستی جدید برای مدیریت شخصی TAA نیاز به تحلیل اثر تکرار ساختار سیال دارند که می توان آن را از MRI جریان چهار بعدی بدست آورد. با این حال، تولید این شاخص های زیستی نیاز به قطعه بندی چهار بعدی قبلی قفسه سینه دارد.
هدف: توسعه مدل یادگیری عمیق خودکار برای قطعه بندی آئورت به صورت چهار بعدی از MRI جریان چهار بعدی.
روش ها: قطعه بندی با مدل قطعه بندی مبتنی بر U-Net بررسی می شود که هر فریم MRI جریان چهار بعدی را بعنوان یک نمونه مستقل در نظر می گیرد. عملکرد با توجه به امتیاز تشابه (DC) و فاصله هاوسدورف (HD) اندازه گیری می شود. علاوه بر این، حداکثر و حداقل مساحت سطح در سطح آئورت صعودی اندازه گیری می شوند و با نواحی سطح بدست آمده از تصویربرداری مغناطیسی قلب مقایسه می شوند.
نتایج: عملکرد قطعه بندی برای DS، 0.90 ± 0.02 بود و میانگین HD، 9.58 ± 4.36 mm بود. ضریب همبستگی r=0.85 برای حداکثر سطح و r=0.86 برای حداقل سطح بین MRI جریان چهاربعدی و MRI قلبی بود.
نتیجه گیری: به نظر می رسد که رویکرد خودکار پیشنهادی قطعه بندی آئورت چهاربعدی از MRI جریان چهاربعدی برای کمک به استفاده گسترده تر این روش تصویربرداری در تحلیل آسیب شناسی هایی مانند TAA به اندازه کافی دقیق باشد.

2- داده ها
2-1 جمعیت مطالعه
در این تحقیق 36 بیمار برای مشارکت در پروژه 2018-A02010–55 که توسط کمیته اخلاق ملی تایید شده، رضایت داشتند. این تحقیق با شماره NCT03817008 بر روی ClinicalTrials.gov ثبت شده است. تمام 36 بیمار در سطح آئورت صعودی مبتلا به TAA بودند. ده بیمار در این گروه زن و 26 بیمار مرد بودند. نیمی از مردان و نیمی از زنان دریچه آئورت سه لتی داشتند، دیگران دریچه آئورت دو لتی داشتند. دریچه آئورت دو لتی یک ناهنجاری است که بر 2% جمعیت تاثیر می گذارد و می تواند ناشی از شکل گیری آئوریسم آئورت باشد. میانگین سن بیماران 60 سال بود.

2-2 معاینات MRI
تمام بیماران پس از تزریق ماده حاجب با گادولینیوم تحت MRI جریان چهار بعدی بر روی آهنربای 3T زیمنس (اسکیرا، هلثتینرز زیمنس، ارلانگن، آلمان) قرار گرفتند. MRI جریان چهاربعدی، الکتروکاردیوگرام پسرو (ECG) بود که در طول تنفس آزاد بسته شد. حرکت دیافرگام با استفاده از یک ناوبر اکومدیریت شد. 25 مرحله زمانی از سیکل قلبی در پروتکل MRI جریان چهاربعدی ما با وضوح زمانی 24 تا 52 میلی ثانیه با توجه به ضربان قلب بیمار بدست آمد. وضوح فضایی بر روی 2×2×2 〖mm〗^3 و رمزگذاری سرعت (Venc) در محدود 200 تا 800 cm/s تعیین شد. زمان های اکو و تکرار به ترتیب بین 2.1 و 2.3 و 38.5-40 میلی ثانیه بودند. این اکتساب با توجه به بیمار 10 تا 15 دقیقه در نظر گرفته شد. تصحیح شدت غیریکنواخت و تصحیح اعوجاج دو بعدی در طول بازسازی تصویر انجام شدند.

توالی FLASH (نمای کم زاویه سریع) برای کسب MRI قلب استفاده می شود. این اکتساب در طول حبس نفس در صفحه ای عمود بر آئورت در سطح تنه شریان ریوی انجام می شود. 35 مرحله سیکل قلبی از این توالی با وضوح زمانی بین 20 و 34 میلی ثانیه بدست می آید. وضوح فضایی بین 1.25 × 1.25 و 1.9 × 1.9 mm^2 تعیین می شود. زمان اکو و تکرار به ترتیب 42 و 34 میلی ثانیه بود.

مثبت فکر کنید: یک شبکه عصبی قابل تفسیر برای تشخیص تصویر

Think positive: An interpretable neural network for image recognition

چکیده

1-مقدمه

2-روش

3- نتایج

4-نقاط ضعف مطالعه ما

6-نتیجه گیری

منابع

چکیده

پاندمی COVID-19 همچنان در حال پیشرفت است و هزینه اضافه ای بر سیستمهای بهداشت و درمان در سراسر دنیا تحمیل کرده است. تشخیص به موقع و موثر این ویروس میتواند به کاهش انتشار بیماری کمک کند. گرچه RT-PCR همچنان استانداردی طلایی برای تست COVID-19 بشمار میرود، اما مدلهای یادگیری عمیق برای شناسایی ویروس از روی تصاویر پزشکی نیز در شرایط خاص مفید هستند؛ بویژه در موقعیتهایی که بیماران متحمل آزمایشات پرتو-X و یا CT-اسکنهای روتین میشوند ولی در مدت چند روز پس از این آزمایشات عوارض تنفسی را تجربه میکنند. همچنین مدلهای یادگیری عمیق جهت پیش-غربالگری قبل از آزمایش RT-PCR استفاده میشوند. ولی با اینحال، شفافیت/ قابلیت تفسیر فرایند استدلال پیش بینی های صورت گرفته بوسیله چنین مدلهای یادگیری ضرورت دارد. ما در این مقاله، یک الگوی یادگیری عمیق قابل تفسیر پیشنهاد میکنیم که از فرایند استدلال مثبت جهت پیش بینی استفاده میکند. ما مدل خودمان را آموزش داده و آن را بر روی یک مجموعه از داده های تصویری CT-اسکن قفسه سینه بیماران COVID-19، افراد سالم، و بیماران پنومونی، آزمایش کردیم. صحت، دقت، یادآوری و امتیازF- مدل ما به ترتیب 48/99 %، 99/0، 99/، و 99/0 بودند.

روش
در این بخش ما ساختار و فرایند آموزش مدل Quasi-ProtoPNet خود را در بافت تصاویر CT–اسکن معرفی کرده و شرح میدهیم.

2.1-ساختار مدل Quasi-ProtoPNet
مدل Quasi-ProtoPNet بر حسب لایه های کانولوشنی یک مدل پایۀ پیشرفته (مدل خط مبنا)، مثل مدلهای پایهVGG-19 (Simonyan & Zisserman, 2015)، ResNet-34، ResNet-152 (He, Zhang, Ren & Sun, 2016)، DenseNet-121 یا DenseNet-161 (Huang, Liu, Van der Maaten & Weinberger, 2017) ساخته میشود. همانطور که در شکل 2 دیده میشود، مدل Quasi-ProtoPNet شامل لایه های کانولوشنی برگرفته از یک مدل پایه است که دو لایه کانولوشنی دیگر در ابعاد 1×2 و 1×1 پشت آن قرار گرفته اند. این لایه های کانولوشنی مجموعاً لایه L خوانده میشوند و یک لایه کانولوشنی تعمیم یافته (Ghiasi-Shirazi, 2019; Nalaie, Ghiasi-Shirazi & Akbarzadeh-T 2017) p_t از بخشهایی از الگو در پشت لایه کانولوشنی، و پس از لایه p_t، نیز یک لایه چگال و متراکم ω بدون هیچ انحرافی جای میگیرد. پارامترهای لایه L و ماتریس وزنی لایه چگال به ترتیب با L_conv و ω_m نشان داده میشوند. توابع فعالسازی ReLU و Sigmoid به ترتیب برای لایه کانولوشنی اضافۀ یکی مانده به آخر و آخرین لایه کانولوشنی، استفاده میشوند. دقت داشته باشید که لایه های کانولوشنی L، بخش تفسیرناپذیر (جعبه سیاه)، و لایه کانولوشنی تعمیم یافته p_t بخش تفسیرپذیر (شفاف) مدل ما را تشکیل میدهند.

گرچه ما میتوانیم از لایه های کانولوشنی هر یک از مدلهای پایه برای ساخت مدلمان استفاده کنیم، اما ما مدل Quasi-ProtoPNet را زمانی شرح میدهیم که بر اساس لایه های کانولوشنی مدل پایه VGG-16 ساخته شود. فرض کنید x یک تصویر ورودی باشد. از آنجا که خروجی لایه های کانولوشنی VGG-16 دارای عمق 512 و ابعاد فضایی 7×7 هستند، L(x) دارای عمق 512 و ابعاد فضایی 6×6 خواهد بود. دقت کنید که لایه p_t بُرداری از واحدهای الگو بوده و هر واحد الگو یک تانسور به شکل 512×h×w است که داریم: 1×1 < h×w < 6×6 ؛ یعنی h و w رویهمرفته نه معادل 1 و نه معادل با 6 هستند. فرض کنید m و n به ترتیب به مجموع تعداد کلاسها و الگوهای اولیه برای هر کلاس اشاره میکنند. فرض کنید P^c={p_i^c }_(i=1)^m مجموعه ای از الگوهای یک کلاس C و P={P^C }_(c=1)^n مجموع تمام الگوها باشد. در کار ما، n=3 است ولی ما بطور تصادفی اَبَرپارامتر را در m=10 تنظیم میکنیم.