18301

۱۸۳۰۱

طبقه بندي و مدل سازي ضايعات بافتي و سلولي با استفاده از نگاشت هاي شناختي فازي

دكتري

الكترونيك

آذرماه ۱۳۹۶

دكتر سيد محمدرضا موسوي - دكتر كريم محمدي

دكتر الپينيكي پاپاجورجيوِ

برق

در اين پژوهش بسط جديدي از نگاشت هاي شناختي فازي (FCM) را بر مبناي منطق فازي نوع-۲، به نام نگاشت شناختي فازي نوع-۲ براي مقابله با عدم قطعيت به‌گونه‌اي پيشنهاد كرده ايم كه هم از توانايي مجموعه هاي فازي نوع-2 در كاهش عدم قطعيت و هم از دقت بالاي استنتاج نگاشت هاي شناختي برخوردار باشد. با توجه به عدم قطعيت موجود در داده هاي پزشكي، دو گسترش از FCM، يعني T2FCM و FCM خاكستري (FGCM)را كه در برابر عدم قطعيت مقاوم هستند، براي درجه‌بندي بيماري سلياك مورد استفاده قرار مي دهيم. سلياك يك اختلال خود ايمني و بيماري مزمن روده كوچك در اثر حساسيت به گلوتن است. در اينجا با استفاده از دانش افراد خبره، ويژگي‌هاي اصلي بيماري به‌عنوان مفاهيم اصلي استخراج مي‌شوند و FCM‌ها با هدف مدل‌سازي سيستم درجه‌بندي بيماري به صورت گرافي با هشت راس همراه با يال هاي بين آن‌ها طراحي مي‌گردند. مقادير بدست آمده براي AUC چهار مدل FCM، FGCM، FGCM-AHL و T2FCM به ترتيب عبارتند از: 57/71 %، 77/80 %، 12/87 % و 31/92 %. نتايج نشان مي دهد T2FCM نسبت به ساير روش¬ها در مدل‌كردن و كاهش عدم قطعيت توانمندتر عمل مي¬نمايد. بنابراين، تاثير عدم قطعيت متخصصين در بيان اثري كه مفاهيم بر يكديگر دارند و در تعيين توابع عضويت، توسط T2FCM كاهش يافته است. هم چنين بالاتر بودنِ ميزان AUC در FGCM-AHL مويد اين مطلب است كه الگوريتم آموزشي هيبن توانسته به صورت موفقيت آميزي باعث افزايش دقت مدل پايه گردد. علاوه بر بررسي توانايي FCM در سطح بافتي و با تعداد داده¬ي محدود، توانايي FCM براي مدل كردن و طبقه بندي در سطح سلولي را نيز مورد بررسي قرار داده ايم. با اين تفاوت كه در سطح سلولي تعداد داده ها بيش از 7.600.000 است. در همين راستا، مدل جديدي با نام FCMDP براي تعيين نوع اتصال آمينو اسيد¬ها به DNA ارائه كرده ايم. مقدار AUC به ازاي پنجره با طول 5 برابر با 68/71 % بدست آمده است. مقايسه¬ي مقادير AUC بدست آمده با ساير مراجع، نشان دهنده¬ي برتري مدل پيشنهادي است. گام را فراتر گذاشتيم و تاثير آمينو اسيد هاي مجاور را نيز با FCM مدل كرديم. نتايج نشان مي دهد كه در نظر گرفتن تاثير همسايگي، باعث افزايش دقت در تك تك مدل¬ها (100-NN، LDA و (SVM مي شود. اما نكته ي قابل توجه اين است كه در اين مورد نيز مجددا FCM دقت بهتري نسبت به ساير مدل ها ارائه كرده است.

1396/10/19

1/8/2019 12:00:00 AM

In medical diagnostic processes, the uncertainties that exist in medical information and linguistic expressions of physicians affect the performance of models developed for knowledge-based medical diagnosis systems. In order to deal with high degrees of uncertainty in this regard, a computer-aided medical diagnosis system is proposed in this research; which is a new extension of fuzzy cognitive map (FCM) based on type-2 fuzzy logic (called T2FCM). In T2FCM, type-2 fuzzy sets act as second-degree approximations of uncertainty by putting the uncertainties within a type-2 framework. In the proposed model, by designing a type-2 fuzzy logic system and using it to determine the initial value of weights, we were able to make the model robust against the high uncertainties that existed in the knowledge of experts and also against the hesitancy in determining the membership functions of fuzzy sets. In this work, the T2FCM model is designed for the field of pathology to classify the celiac disease (CD). CD is a self-immunity disorder and chronic disease of the small intestine, which is caused by dietary gluten (and especially some of its proteins called gliadins) in people who are genetically susceptible to this illness. Also, a new method based on FCM has been proposed for predicting DNA-binding residues in a protein chain. For coding the existing residues in a protein sequence, three features have been used. To increase the classification accuracy, a new approach has been used to model the relative effects of each neighbor of a residue on that residue. For this purpose, by employing the sliding window and using the FCM, a central residue along with its neighbors have been mapped to a new one-dimensional space; and in this space, the relative effect of each residue has been modeled by means of a specific weight. It has been observed that the weights Wn are reduced by getting away from the central residue. Windows of various sizes have been examined and the prediction performance of each window has been evaluated based on the area under curve (AUC) measure; and it has been found that the optimal case occurs at the window size of 5. The AUC of 71.68 is obtained.