نقشه برداری بطن چپ قلب در حالت پایان دیاستولی در تصاویر اکوکاردیوگرافی با استفاده از یک شبکه عصبی عمیق هم آمیختی
تشخیص بیماری و بررسی کارایی قلب بر مبنای تصاویر اکوکاردیوگرافی از گذشته تاکنون مورد توجه پزشکان متخصص در این زمینه بوده است. در دهههای اخیر جهت کاهش خطای انسانی در تفسیر تصاویر پزشکی ارایه یک روش مبتنی بر یادگیری ماشین همواره مورد توجه محققان هوش مصنوعی بوده است. در این تحقیق یک روش یادگیری عمیق مبتنی بر شبکههای عصبی همآمیختی جهت استخراج نقشه بطن چپ قلب در حالت پایان دیاستولی ارایه گردیده است. یکی از مهمترین چالشها در الگوریتمهای یادگیری عمیق فراهم نمودن دادههای آموزشی مناسب جهت یادگیری ماشین است، در این تحقیق از دادههای ارایه شده توسط محققان بیمارستان دانشگاهی اتیین واقع در کشور فرانسه تحت عنوان CAMUS استفاده شده است که حجم داده ارایه شده متناسب با روشهای یادگیری عمیق میباشد. در این تحقیق دو حالت استفاده از دادههای اولیه و تقویت دادهها با روش افزونگی داده مورد بررسی قرار گرفته است که تقویت داده موجب افزایش دقت و کارایی شبکه عصبی همآمیختی پیشنهادی شده است. دقت کلی برآورد نقشه بطن چپ قلب در حالت پایان دیاستولی با استفاده از روش پیشنهادی در بهترین حالت 97.99% و امتیاز F1 برای آن برابر با 89.21% میباشد.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.