23933

به كارگيري يادگيري منيفلد براي تشخيص بيماري دريچه ميترال

كارشناسي ارشد

مهندسي پزشكي- گرايش يوالكتريك

1399-1400

1400/2/28

حميد بهنام - سيد حجت سبزپوشان

مهندسي برق

بيماريهاي قلبي يكي از اصليترين عوامل به خطر انداختن سلامت و زندگي انسان هستند. از مهمترين بيماريهاي قلب، بيماريهاي مربوط به دريچههاي قلب هستند، كه در طي سالهاي اخير روندي افزايشي داشتهاند. اين بيماريها درصورتي كه به موقع و به درستي تشخيص داده شوند و درمان گردند بهبودكيفيت زندگي و افزايش طول عمر افراد را به دنبال دارند. از اينرو انديشمندان و محققان همواره به دنبال يافتن روشهايي براي بهبود و تسريع در روند تشخيص اين بيماري بودهاند. تصاوير پزشكي فعاليت قلب انسان را بررسي و ضبط ميكنند وجزو راههاي اصلي تشخيص مشكلات قلبي هستند. عموماً پردازش اين تصاوير پيچيده و زمانبر است، به همين جهت محققين به دنبال پيدا كردن روشهايي براي سادهسازي پردازش اين تصاوير هستند. يكي از رويكردهايي كه براي سادهسازي پردازش داده ارائه شده است، فرريند كاهش بعد ميباشد. ايده اصلي روشهاي كاهش بعد اين است كه بعد ظاهري داده لزوماً بعد اصلي رن نيست و دادهها ميتوانند در ابعاد پايينتر مورد بررسي قرار بگيرند. روشهاي كاهش بعد به دو دسته خطي و غيرخطي تقسيم ميشوند. يادگيري منيفلد يكي از روشهاي كاهش بعد غيرخطي است كه الگوريتمهاي مختلفي دارد كه هريك روش خاصي دارند. در اين پژوهش با به كارگيري يكي از الگوريتمهاي يادگيري منيفلد به نام LLE ، ابعاد تصاوير اكوكارديوگرافي شامل يك گروه با دريچه ميترال طبيعي و سه گروه داراي اختلال دريچه ميترال را كاهش داديم و تلاش كرديم با بررسي نتايج حاصل از پيادهسازي اين الگوريتم برروي دادهها، ويژگيهاي هر يك از گروهها را شناسايي و استخراج كنيم. نتايج به دست رمده نشان ميدهد كه بيش از 80 درصد نمونههاي گروه طبيعي از نظر ساختار منيفلد الگويي متفاوت با نمونههاي داراي اختلال دارند.

1400/04/01

Diagnosis of Mitral valve Disease Using Manifold Learning

5/18/2022 12:00:00 AM

Heart diseases are main causes factors endangering human health and life, one of the most important heart diseases is valvular heart disease, which has had an increasing trend in recent years. Therefore, if they are diagnosed and treated in time and correctly, they can improve the quality of life and increase the life expectancy, so researchers have always been looking for ways to improve and accelerate the process of diagnosing this disease. Medical images monitoring and recording the activity of the human heart are the main ways to diagnose heart diseases. Processing of these images is generally complex and time consuming, so scientists and experts have always been looking for ways to speed up and facilitate the detection process. Manifold learning is one of the nonlinear dimension reduction methods which has different algorithms and can simplify the processing of echocardiographic images. In this study, using one of the manifold learning algorithms named LLE, we examined echocardiographic images of the heart, and tried to categorize groups with disorders while identifying healthy data from those with disorders. Results show that the method has carefully separated the data of the healthy group from the group with the disorder, and good results were obtained in the data classification.

بيماري دريچه ميترال، كاهش بعد غيرخطي، يادگيري منيفلد، الگوريتم LLE

Mitral valve disease, Non-Linear Dimension Reduction (NLDR), Manifold Learning (ML), Locally Linear Embedding (LLE)