طبقه بندی و توسعه ابزار برای بیماری های قلبی (تصویر های MRI) با استفاده از یادگیری ماشین
چکیده
بیماری های قلبی یکی از مهم ترین عوامل مرگ و میر در جهان هستند. شناسایی سریع و اولیه ی بیماری های قلبی مانند هیپوکینزی میتواند موجب کاهش بار جهانی بیماری های قلبی و عروقی شود. روش های محاسباتی این پتانسیل را دارند تا بیماری را در مراحل اولیه به صورت خودکار پیش بینی کرده و به خصوص در کشور هایی که منابع محدودی را در اختیار دارند، این روش میتواند بسیار مفید باشد. روش های محاسباتی برای پیش بینی سراسری هیپوکینزی مبتنی بر موارد تاییدی هیپوکینزی سراسری از طریق MRI ، توسعه پیدا کرده است. تقریبا تمام استخراج ویژگی ها برای تصویر های MRI مورد استفاده قرار گرفته و این مدل بر روی تصویر های ترکیبی و مختلف، به صورت مجزا اعمال شده است. تست های مدل مستقل و صحت بالا ، روش های مورد استفاده ی مار را توجیه کرده و قابلیت اعتماد روش را نشان میدهد. این روش های توسعه یافته ی جدید، بر روی زبان پیتون نوشته شده است و برای کاربرد های متن باز، فراهم شده است.
1- مقدمه
تقریبا تمام افراد بالغ آمریکایی – آفریقایی به نوعی از بیماری های قلبی عروقی مبتلا هستند ، 48 درصد از مردان و 48 درصد از زنان در این دسته هستند. بیماری های قلبی عروقی اولین عامل مرگ و میر در جهان بوده و در ایالات متحده نیز مهم ترین علت مرگ و میر میباشد که در سال بیش از 375000 آمریکایی را میکشد. بنابراین شناسایی خودکار برای این بیماری ها بسیار مهم میباشد. هیپوکینزی سراسری یک بیماری است که در آن قلب ضعیف میشود که موجب گرفتگی شریان های کرونری میشود. بخش های مختلف قلب مانند بطن ها، دیواره های، غشا و شریان ها و غیره، در این شرایط ضعیف شده و در هیپوکینزی سراسری، به صورت غیر عادی کار میکنند. هیپوکینزی میتواند یکی از دلایل مشکلات قلبی به دلیل خروجی پایین قلبی باشد . نشانه های هیپوکینزی سراسری ابقای آب و ماعببات، سرگیجه و بی حال بودن میباشد. تست های مورد استفاده برای شناسایی هیپوکینزی سراسری، یک تست MRI میباشد. این تصویر به صورت نواحی همگن مطابق با یک یا چندین ویژگی اولویت، توصیف میشود.
Abstract
Heart diseases are one of the major killers worldwide. Early detection of heart disease such as Global Hypokinesia can reduce this global burden. Computational method has potential to predict disease in early stages automatically and especially helpful in resources limited countries. Computational method to predict global hypokinesia based on confirms cases of global hypokinesia through MRI was developed. Almost all feature extraction method was used on MRI images and model was generated on merged and different images separately. High accuracy of model independent test set justified our approaches and reliability of model. The newly developed was implemented in python and available for open use.
چکیده
1- مقدمه
2- مواد و روش های مورد استفاده
الف)جمع آوری داده ها
ب) استخراج ویژگی
ج) تولید مدل
د) اعتبار سنجی مدل
ه) اجرا
3- نتایج
3- مباحث
4- جمع بندی
- اصل مقاله انگلیسی با فرمت ورد (word) با قابلیت ویرایش
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه