تشخیص هوشمند بیماری های کبدی با استفاده از شبکه فازی عصبی تطبیقی

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 577

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

FETCONF01_037

تاریخ نمایه سازی: 11 مرداد 1396

چکیده مقاله:

مقدمه و هدف:سلامت جامعه که در درجه اول روی نتیجه پژوهش های پزشکی بنا می شود تاثیر زیادی بر همه فعالیت های انسانی دارد. تصمیم گیری در پزشکی توسط کارشناسان بسیار مشکل می باشد زیرا پردازش انبوهی از از داده ها وتشخیص دقیق کار دشواری است.تشخیص در این جا دارای یک نقش بسیار مهم وحیاتی است.این اولین مرحله از مجموعه اقدامات درمانی است وخطا در این سطح می تواند عواقب چشم گیری داشته باشد.بنابراین حضور تکنولوژی در مرحله تشخیص به دلیل مزایای آن می باشد: پراگماتیسم , تکرار ,بهره وری , ایمنی نسبت به عوامل اغتشاش که برای انسان به وجود می آید.(خستگی استرس کاهش توجه)لین فن آوری متخصص را در این نقطه جایگزین نمی کند بلکه فقط سعی می کند به آن ها کمک کند. مواد وروش ها: در ابتدا 11 بیماری را به سه مجموعه بیماری نزدیک به هم تقسیم بندی نموده ودر گام بعدی با داشتن 1 ورودی برای هر مجموعه به طراحی شبکه فازی عصبی تطبیقی آن پرداخته می شود که به صورت هوشمند مجموعه بیماری کبدی مورد نظر را آشکار می سازد. برای آموزش سیستم پیشنهادی در مجموع از 255 نمونه وبرای تست آن از 35 نمونه داده استفاده شده است.دو پایگاه داده برای آموزش شبکه در اختیار داشتیم که یک پایگاه از بیماران کبدی را از بیمارستان الزهرای اصفهان و مرکز تحقیقات رسول اصفهان و بیمارستان اشرفی اصفهانی و درمانگاه ولیعصر اصفهان جمع آوری شد.یک پایگاه داده دیگر پایگاه داده BUPA مربوط به بیماران کبدی شامل 345 فرد بود که برای مقایسه با نتایج مورد استفاده قرار گرفت. بحث ونتیجه گیری:در این مقاله یک سیستم هوشمند تشخیص خودکار برای تشخیص بیماری های 17 گانه کبدی بر اساس تشخیص الگوی بیماری توسط الگوریتم شبکه های عصبی عصبی فازی تطبیقی پیشنهاد شده است که نسبت به روش های مشابه از دقت و سرعت بالاتری در عملکرد برخوردار می باشد. مزیت های عمده به کارگیری این الگوریتم هوشمند در تنظیم توابع عضویت فازی نسبت به دیگر الگوریتم های بهینه سازی در تشخیص بیماری قطعیت در رسیدن به پاسخ صحیح وتحلیل مسایل پیچیده با ابعاد گسترده است.با اعمال داده هابه سیستم الگوریتم پیشنهادی در سطح قابل قبولی با خطایکمتر از 5 درصد در تشخیص سه مجموعه بیماری موثر واقع شده است.

نویسندگان

م حیدری هراتمه

گروه مهندسی پزشکی , دانشکده فنی مهندسی , دانشگاه آزاد اسلامی واحد کازرون , شیراز

ع میرزایی

گروه مهندسی برق عضو هیات علمی,دانشکده فنی مهندسی,دانشگاه آزاد اسلامی واحد داریون, شیراز

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Neshat, Mehdi, et al. "Fuzzy expert system design for diagnosis ...
  • Neshat, Mehdi, and Mehdi Yaghobi. "Designing a fuzzy expert system ...
  • Neshat, Mehdi, and Abas E. Zadeh. "Hopfield neural network and ...
  • _ [4] Ramana, Bendi Venkata, M. Surendra Prasad Babu, and ...
  • . [5] Karthik, S., et al. _ Clas sification and ...
  • _ [6] Tiwari, Anil Kumar, Lokesh Kumar Sharma, and G. ...
  • and Normal Livers using GLCM Textural _ [7]Roy, Madhusudan. "Classification ...
  • نمایش کامل مراجع