تشخیص بیماری آلزایمر با استفاده از شبکه عصبی عمیق U-Net و الگوریتم هوش جمعی سالپ
- سال انتشار: 1402
- محل انتشار: چهارمین کنفرانس بین المللی یافته های نوین در علوم پزشکی و بهداشت با رویکرد ارتقای سلامت
- کد COI اختصاصی: MSHCONG04_021
- زبان مقاله: فارسی
- تعداد مشاهده: 493
نویسندگان
کارشناسی ارشد، گروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد نیشابور، نیشابور، ایران.
کارشناسی ارشد، گروه مهندسی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران
دانشجوی دکتری، گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه آزاد اسلامی واحد اصفهان (خوراسگان)، اصفهان، ایران.
کارشناسی ارشد، دانشکده علوم اتوماسیون و تکنولوژی، دانشگاه شیان جیاتونگ، شیان، چین
چکیده
یک سیستم برای تشخیص بیماری آلزایمر یک کار کاملا ظریف و مستلزم تسلط کامل بر تکنیک های پیشرفته مانند یادگیری عمیق است. روششناسی با استفاده از تکنیک های یادگیری عمیق کاملا امیدوار کننده بوده و موفقیت بالایی را در قطعهبندی و طبقهبندی تصاویر نشان داده است. شبکه های عصبی کانولوشن به یکی از پرکاربردترین معماری های یادگیری عمیق برای انجام وظایف یادگیری ماشین بطور خودکار تبدیل شده اند. مدل پیشنهادی با توجه به پیچیدگی مسئله تشخیص آلزایمر با استفاده از شبکه عصبی کانولوشن با یادگیری عمیق U-net ارائه شده است و در آن برای اطمینان از طبقه بندی قوی اشیا شناسایی شده، به جای طبقه بندی معمولی، از یک لایه مبتنی بر فازی c میانگین و الگوریتم هوش جمعی سالپ استفاده شده است. هدف این لایه تعریف کلاس هایی است که اشیا شناسایی شده به آن ها تعلق دارند. درواقع خوشه بندی فازی c میانگین جزئیات بیشتری را در مورد تصویر تقسیم شده ارائه می دهد و چون ممکن است این روش بر نتایج ضعیف تاکید کند درصورتی که اطلاعات همسایه ها نادیده گرفته شوند و همچنین اگر مرکز اولیه خوشه بد انتخاب شود، کل سیستم می تواند در بهینه محلی گیر کند، بنابراین برای غلبه بر این مشکلات، از الگوریتم بهینه سازی هوش جمعی سالپ استفاده شده است. نتایج روش های شبکه عصبی کانالوشن با دقت % ۸۹/۵، روش UNet با دقت %۹۰/۵ ، روش پیشنهادی PSO با دقت ۹۳/۸ و روش SSA با دقت %۹۶/۲ همراه بوده است. نتیجهگیری نهایی این است که مدل UNet به طور میانگین ۱/۲۷ درصد بهتر از شبکه عصبی کانالوشن و روش پیشنهادی ما SSA به طور میانگین ۲/۸۴ درصد بهتر از روش PSOعمل کرده است و همچنین روش پیشنهادی حدود ۲۲ درصد نسبت به روش PSO کاهش زمان آموزش و آزمایش داشته است.کلیدواژه ها
بیماری آلزایمر، روش UNet، خوشه بندی فازی C میانگین، الگوریتم هوش جمعی سالپمقالات مرتبط جدید
- کاربرد فناوری های نوین در علوم پزشکی و زیستی
- ارزیابی سواد سلامت، سواد بهداشتی و دانش بهداشت محیط دانش آموزان پایه ششم دزفول
- سلامت دیجیتال جامع: مروری بر تلفیق رویکردهای پزشکی و روان شناختی در چارچوب مدل زیستی-روانی-اجتماعی
- Health Literacy’s Role in Enhancing Lifestyle Interventions for Chronic Disease Prevention
- بررسی تاثیر تغذیه بر پوسیدگی دندانی دانش آموزان مقطع ابتدایی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.