| dc.contributor.advisor | آهور, محمدحسین | |
| dc.contributor.advisor | حسینی, سمانه | |
| dc.contributor.author | مهرآور, علی | |
| dc.date.accessioned | 2023-09-02T05:34:24Z | |
| dc.date.available | 2023-09-02T05:34:24Z | |
| dc.date.issued | 1402 | en_US |
| dc.identifier.uri | https://dspace.tbzmed.ac.ir:443/xmlui/handle/123456789/69253 | |
| dc.description.abstract | مقدمه: مولتیپل اسکلروزیس (MS) یک اختلال خودایمنی و التهابی شایع است که باعث دمیلینه شدن و تغییرات عصبی در سیستم عصبی مرکزی (CNS) می‌شود. شبکیه یکی از بخش‌هایی از بدن است که تحت‌تأثیر ام‌اس قرار می‌گیرد، به‌ویژه pRNFL که در دوره‌های اولیه این اختلال دچار اختلال می‌شود. تصاویر توموگرافی انسجام نوری (OCT) می‌توانند نقش مهمی در مراحل اولیه داشته باشند. روش‌های مبتنی بر شبکه‌های عصبی کانولوشنال (CNN) معمولاً در طبقه‌بندی تصاویر به کار می‌روند و نتایج امیدوارکننده و کاربردی در تشخیص MS نشان داده‌اند.
مواد و روش‌ها: 197 بیمار ام اس و 283 فرد سالم مراجعه کننده به درمانگاه تخصصی مغزو اعصاب مرکز آموزشی درمانی بیمارستان امام رضا(ع) دانشگاه علوم پزشکی تبریز در این مطالعه وارد شدند و تصاویر Spectralis OCT در مرکز درمانی بیمارستان چشم نیکوکاری علوم پزشکی تبریز گرفته شد سپس با استفاده از تقویت داده ها، CNN با 15000 تصویر آموزش دید. در نهایت الگوریتم تشخیص خودکار بیماری ام اس در پایتون پیاده سازی شد و نمودار فرآیندهای از دست دادن شبکه ترسیم شد و حساسیت، ویژگی و صحت الگوریتم مورد ارزیابی قرار گرفت. این تحقیق تحت پروتکل اخلاقی هلسینکی 9175 و کد اخلاقID: IR.TBZMED.REC.1399.866 انجام شد.
یافته ها: با توجه به اندازه گیری های انجام شده ضخامت لایه های RNFL,GCL در ناحیه Peripapillary به شدت کاهش یافته بود. این بیماری توسط تصاویر OCT به صورت خودکار در زمان کمتر نسبت به روش های سنتی با صحت93.00 حساسیت 96.47 و ویژگی 90.44 با موفقیت تشخیص داده شد.
نتیجه‌گیری:شبکه‌های عصبی مصنوعی کانولوشن در حوزه یادگیری عمیق با توسعه قدرت پردازش رایانه‌ها در کمتر از یک دهه، در کاربردهای مهم و حیاتی مانند پردازش تصاویر پزشکی با موفقیت‌های چشمگیری همراه بوده‌اند. استفاده از شبکه‌های کانولوشن با لایه‌های عمیق برای پردازش تصاویر پزشکی و غربالگری بیماری‌ها، تحولی چشمگیر را به وجود آورده است. مطالعه حاضر نشان داد که OCT نقش مکمل بسیار مهمی جهت ارزیابی بیماری ام اس داشته و با استفاده از ساختار شبکه های عصبی CNN می توان تغییرات شبکیه را مشخص کرد و بیماری ام اس را در مراحل اولیه با صحت بالایی تشخیص داد. این تکنیک‌ها همچنین در مدل‌سازی خطر ابتلا به سرطان و پیشرفت و درمان بیماری استفاده می‌شوند. یادگیری عمیق به‌عنوان ابزاری برای شناسایی ویژگی‌های کلیدی از داده‌های پیچیده، در دوره مدرن پزشکی بسیار مهم است | en_US |
| dc.language.iso | fa | en_US |
| dc.publisher | دانشگاه علوم پزشکی تبریز . داانشکده علوم نوین پزشکی | en_US |
| dc.subject | بیماری‌ام اس | en_US |
| dc.subject | شبکه‌های عصبی | en_US |
| dc.subject | تصاویر OCT | en_US |
| dc.subject | آشکارسازی خودکار بیماری ام اس | en_US |
| dc.title | آشکارسازی خودکار بیماری ام اس از روی تصاویرOCT افراد سالم و افراد مبتلا به بیماری ام اس با استفاده از روش شبکه های عصبی | en_US |
| dc.type | Thesis | en_US |
| dc.contributor.supervisor | راستا, سیدحسین | |
| dc.contributor.supervisor | اسمعیلی, مهداد | |
| dc.contributor.department | مهندسی پزشکی | en_US |
| dc.description.discipline | مهندسی پزشکی | en_US |
| dc.description.degree | کارشناسی ارشد | en_US |
