نقشه برداري بطن چپ قلب در حالت پايان دياستولي در تصاوير اكوكارديوگرافي با استفاده از يك شبكه عصبي عميق هم آميختي

فاقد عنوان

تشخيص بيماري و بررسي كارايي قلب بر مبناي تصاوير اكوكارديوگرافي از گذشته تاكنون مورد توجه پزشكان متخصص در اين زمينه بوده است. در دهه‌هاي اخير جهت كاهش خطاي انساني در تفسير تصاوير پزشكي ارايه يك روش مبتني بر يادگيري ماشين همواره مورد توجه محققان هوش مصنوعي بوده است. در اين تحقيق يك روش يادگيري عميق مبتني بر شبكه‌هاي عصبي هم‌آميختي جهت استخراج نقشه بطن چپ قلب در حالت پايان دياستولي ارايه گرديده است. يكي از مهم‌ترين چالش‌ها در الگوريتم‌هاي يادگيري عميق فراهم نمودن داده‌هاي آموزشي مناسب جهت يادگيري ماشين است، در اين تحقيق از داده‌هاي ارايه شده توسط محققان بيمارستان دانشگاهي اتيين واقع در كشور فرانسه تحت عنوان CAMUS استفاده شده است كه حجم داده ارايه شده متناسب با روش‌هاي يادگيري عميق مي‌باشد. در اين تحقيق دو حالت استفاده از داده‌هاي اوليه و تقويت داده‌ها با روش افزونگي داده مورد بررسي قرار گرفته است كه تقويت داده موجب افزايش دقت و كارايي شبكه عصبي هم‌آميختي پيشنهادي شده است. دقت كلي برآورد نقشه بطن چپ قلب در حالت پايان دياستولي با استفاده از روش پيشنهادي در بهترين حالت 97.99% و امتياز F1 براي آن برابر با 89.21% مي‌باشد.

no absteact