17439

17439

به‌كار‌گيري نگاشت‌هاي فازي شهودي با استفاده از يادگيري تركيبي براي طراحي سيستم خودكار پزشكي (CAD)

كارشناسي ارشد

الكترونيك

بهمن 1395

دكتر كريم محمدي

دكتر آذر نعيمي

برق

چكيده بيماري سلياك يك اختلال خود ايمني و بيماري مزمن روده كوچك در اثر حساسيت به گلوتن مي‌باشد. اين بيماري سبب اختلال در جذب مواد مغذي مي‌شود، به همين علت به‌عنوان يك بيماري سوء جذبي در نظر گرفته مي‌شود و عدم درمان آن عواقب شديدي را به دنبال دارد. از اين‌رو، تشخيص و تعيين درجه بيماري سلياك، براي درمان مناسب، موضوعي است كه بسيار مورد توجه پاتالوژيست‌ها و متخصصين گوارش مي‌باشد. اين پايان نامه، به منظور دست يافتن به اين هدف مهم يعني تعيين درجه بيماري سلياك، از روشي بر مبناي نگاشت شناختي فازي (FCM) بهره مي‌گيرد و با لحاظ كردن تئوري سيستم‌هاي خاكستري در فرآيند مدلسازي دقت دسته‌بندي را بهبود مي‌بخشد. ازين‌رو، مدل‌هاي FCM و نگاشت شناختي فازي خاكستري (FGCM) به‌عنوان گسترشي از FCM مورد بررسي قرار مي‌گيرند. محدوديت FCM ها اين است كه آن‌ها در مدل كردن ترديد موجود در سيستم‌هاي پيچيده به‌دليل وقايع مبهم، اطلاعات از دست رفته و دودلي ناتوان هستند. براي مقابله با اين موضوع، مدل FGCM ارائه مي‌گردد. مدل FGCM با محيط‌هاي چند مفهومه سروكار دارد و بر اساس تئوري سيستم‌هاي خاكستري (GST)، براي سروكار داشتن با مسائلي در محيط‌هايي با عدم قطعيت بالا تحت ديتاست كوچك و ناقص گسسته، به يك نظريه رياضي بسيار موثر تبديل شده است. با توجه به عدم قطعيت بالا در ديتاي پزشكي، اين گسترش از FCM كه در برابر عدم قطعيت مقاوم است، براي درجه‌بندي بيماري سلياك مورد استفاده قرار مي‌گيرد. با استفاده از دانش متخصصين و پاتولوژيست‌هاي توانا، ويژگي‌هاي اصلي بيماري سلياك به‌عنوان مفاهيم اصلي استخراج مي‌شوند و مدل‌ها طراحي مي‌گردند. نتايج حاصل از اعمال مدل‌هاي‌ پيشنهادي بر ديتاست واقعي با درجات مختلفي از بيماري سلياك، توانايي و موثر بودن اين مدل‌ها را تاييد مي‌كنند. به دليل عملكرد بهتر FGCM، الگوريتم آموزشي هبين فعال (AHL) براي آموزش FGCM براي افزايش دقت و بهبود عملكرد مدل پيشنهاد مي‌شود. نتايج شبيه‌سازي، دقت 04/64%، 52/86% و 01/91% را براي FCM، FGCM و FGCM آموزش ديده نشان مي‌دهد. از ميان مدل‌هاي معرفي شده، FGCM آموزش ديده نسبت به ديگر مدل‌ها، توانايي‌هاي بالاتري از خود به نمايش مي‌گذارد و عدم قطعيت مقدار مفهوم خروجي اين مدل كمتر از ديگر مدل‌ها بدست مي‌آيد. واژه‌هاي كليدي: نگاشت شناختي فازي، نگاشت شناختي فازي خاكستري، الگوريتم آموزشي هبين فعال، بيماري سلياك.

1396/03/20

1/1/1900 12:00:00 AM

Abstract: Celiac disease is a self-immunity and chronic disorder of the small intestine caused by allergic reaction to gluten. This disease results in impaired nutrient absorption. As a result, it is considered as a malabsorption syndrom, and associated with severe consequences if not treated. Therefore, the diagnosis of celiac disease and determination of its grade for adopting an appropriate treatment is of the interest of pathologists and gastroenterologists. To this end, this thesis is conducted to determine the celiac grade by using a fuzzy cognitive map (FCM) based technique. This method improves the precision of classification by incorporating the grey system theory into the modeling process. Therefore, FCM and fuzzy grey cognitive map (FGCM) models are investigated as extension of FCM. A limitation of FCMs is that they are unable to model the hesitancy introduced into a complex system due to imperfect facts, missing information, and indecision. To cope with this issue, FGCM model is presented. FGCM model deals with multi-concept environments. This model are based on the grey systems theory (GST), which has become a very effective mathematical theory for solving problems in a highly uncertain environment and with a discrete, small, and incomplete dataset. Due to the high uncertainty in the medical data, this extension of FCM that is resistant against uncertainty is used for celiac disease grading. By relying on the knowledge of skilled specialists and pathologists, the key features of celiac disease are extracted as the main concepts, and the models are designed. The results obtained by applying the proposed models on the real dataset with different grades of celiac disease verify the ability and effectiveness of these models. Because of better performance FGCM, active Hebbian learning (AHL) is proposed for FGCM learning to increase the accuracy and improve modeling performance. The simulation results show accuracies of 64.04%, 86.52% and 91.01% for the FCM, FGCM and trained FGCM. Among the different presented models, trained FGCM is displayed better abilities and uncertainty of the value of the output concept from this model is obtained lower than other models. Keywords: Fuzzy cognitive map; Fuzzy grey cognitive map; Active Hebbian learning algorithm; Celiac disease