عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
NATIONAL BIBLIOGRAPHY NUMBER
Number
۹۸۶۶۴پ
LANGUAGE OF THE ITEM
.Language of Text, Soundtrack etc
فارسی
TITLE AND STATEMENT OF RESPONSIBILITY
Title Proper
ارائه یک ابزار کمک تشخیصی کامپیوتری مبتنی بر الگوریتم جنگل تصادفی (Random forest) در طبقه بندی ویژگیهای تصاویر سی تی ریه بیماران مبتلا به کووید-19
General Material Designation
[پایان نامه]
First Statement of Responsibility
فاطمه طاهرپور دیزجی
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
Date of Publication, Distribution, etc.
۱۴۰۱
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
۱۵۹ص.
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
فناوری تصویربرداری پزشکی
Date of degree
۱۴۰۱/۰۳/۰۹
Text preceding or following the note
۱۷.۳۳
SUMMARY OR ABSTRACT
Text of Note
مقدمه: شیوع ویروس کووید- 19 که در پایان سال 2019 در چین ظهور کرد ، باعث ایجاد تأثیر عظیم و ویرانگری در سراسر جهان شد. کووید-19 به سرعت از ووهان به سایر شهرهای چین و کل جهان گسترش یافت. از آنجا که کووید-19 بسیار مسری است[1]. تشخیص آن ویروس به سرعت و با دقت برای جلوگیری از تکثیر و ارائه درمان به موقع بیماری حیاتی است. روشهای متداول تشخیص کووید-19 شامل واکنش زنجیره ای پلیمراز معکوس و انجام سی تی اسکن ریه می باشد. سی تی اسکن ریه نسبت به سایر روش های تشخیصی مانند تست های آزمایشگاهی دارای مزیت حساسیت زیاد، قابلیت در دسترس بودن بالا و میزان تشخیص غلط پایین است [2]. یافته های رادیولوژکی سی تی اسکن ریه بیماران کووید-19 به طورعمده شامل کدورت های شیشه مات ، Consolidation ،نمای سنگ فرشی ،می باشد[3]. اگرچه ظهور این بیماری چندی پیش رخ داده است، اما مطالعات و تحقیقات بسیاری در مورد تشخیص سریع علایم بیماری کووید-19 مانند استفاده از روشهای تشخیص با کمک سیستم های کامپیوتری در تصاویر سی تی ریه انجام شده است. از جمله این روش های تشخیصی کامپیوتری عبارتند از یادگیری عمیق و یادگیری ماشین می باشد.مواد و روش کار: دراین مطالعه از الگوریتم یادگیری ماشین بانظارت RF در افزونه TWS ، موجود درنرم افزار Imagej برای طبقه بندی علایم مربوط به بیماری کووید-19 استفاده شده است. انجام این مطالعه در سه مرحله مختلف انجام گرفت که عبارتند از:مرحله اول، حدود 1440 تصویر سی تی ریه بیماران مبتلا به کووید-19 انتخاب گردید.سپس این تصاویر به دو گروه زن و مرد و درهرگروه براساس نوع علامت بیماری به چهار گروه تصاویر دارای علامت کدورت شیشه مات ، Consolidation، هردو علامت ونرمال تقسیم بندی شدند. علاوه برآن به ازای هرکدام ازچهار گروه، دو دسته آموزش و تست با نسبت 60 و 40 درصد درنظرگرفته شد.مرحله دوم، علایم مربوط به بیماری با استفاده از محیط گرافیکی افزونه Weka جداسازی شده وبه چندین طبقه مختلف اختصاص داده شدند. به این صورت که به ازای هرکدام از علامت های بیماری، بافت سالم ریه و ساختارهای آناتومیکی اطراف ریه ، طبقه خاصی اختصاص داده شد. مرحله سوم، در این مرحله با استفاده ازترکیب ویژگی های مختلف موجود در وکا ، به آموزش الگوریتم پرداخته شد. ازبین مدل های مختلف چندتایی به دست آمده، هرکدام دارای خطای نمونه برداری کمتر و بیشترین میزان سطح زیر نمودار منحنی مشخصه عملکرد بودند، برای تشخیص علایم بیماری انتخاب گردید. درنهایت این مدل ها برروی تصاویر تست اعمال شده و میزان خطای شناسایی این مدل ها براساس روش آستانه گذاری حداقل آنتروپی با تصاویرپایه مقایسه گردید. یافته ها: مدل های بدست آمده دراین مطالعه ترکیبی از ویژگی های مختلف می باشد که از بین این ترکیبها، آنهایی که شامل ویژگی های ساختاری بودند بهترین عملکرد وکمترین میزان خطای نمونه برداری را از خود نشان دادند. در افزونه وکا با اعمال این مدل ها نقشه های احتمالی که میزان اختصاص داشتن یک نمونه به هرکدام از طبقه هارا نشان می دهد، تولید گردید که این نقشه ها محل های درگیری ریه را به درستی و با صحت تقریبی 98 درصد را نشان می دهند.نتیجه گیری: به منظورحمایت کردن از مبارزه کنونی سراسری بر علیه ویروس کووید-19 ،کمک های این تحقیق پیشنهاد می شود تا با تشخیص سریع تر وبهتر علایم عفونت با استفاده از الگوریتم RF در تصاویر سی تی اسکن ریه ، به هدف کاهش مدت زمان انتظار بیماران جهت دریافت گزارش تصاویر سی تی توسط رادیولوژیست و کاهش بارکاری پزشکان دست یافت.
TOPICAL NAME USED AS SUBJECT
بیماری کرونا
کووید-19
الگوریتم RF
طبقه بندی تصاویر
یادگیری ماشین
افزونه Weka
الگوریتم جنگل تصادفی
سی تی ریه
PERSONAL NAME - PRIMARY RESPONSIBILITY
Relator Code
، پدیدآور
طاهرپور دیزجی، فاطمه
PERSONAL NAME - SECONDARY RESPONSIBILITY
Relator Code
، استاد راهنما
قدیری هروانی، حسین
CORPORATE BODY NAME - SECONDARY RESPONSIBILITY
Entry Element
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
ORIGINATING SOURCE
Country
ایران
Date of Transaction
20221212
LOCATION AND CALL NUMBER
Call Number
۲۳۷۴ف
DATA NOT CONVERTED FROM SOURCE FORMAT
Tag of the Source Format Field
دانشگاه علوم پزشکی تهران، کتابخانه دانشکده پزشکی
p
TF
92029
a
Y
