25126

مدلسازي و بهبود عملكرد دستگاه سل¬كانتر (شمارنده سلول) در بيمارستان هاي وابسته به دانشگاه علوم پزشكي جيرفت

كارشناسي ارشد

مهندسي پزشكي گرايش بيومكانيك

1396-97

1399/03/20

دكتر ساسان آسيايي

مكانيك

چكيده بسياري از تحقيقات صورت گرفته در ارتباط با سل كانترهاي الكترونيكي، پيرامون روش دستي و يا استفاده از الگوريتم هاي شكل پذير (نظير مار، تبديل آبخيز و ...) بهره برده اند. اما روش هاي ذكر شده به دليل هزينه سنگين محاسباتي و زمان اجرا بالا در عمل به هيچ عنوان كاربردي نيست. با توجه به اينكه كانال شمارش در دستگاه سل كانتر در موارد مشكل¬دار و تجمع پلاكت ها ضعيف عمل مي كند و با توجه به ضعف الگوريتم¬هاي ارائه شده، در اين پروژه، الگوريتمي جهت بهبود فرآيند شمارش پارامترهاي اصلي خون (گلبول سفيد، گلبول قرمز، پلاكت ، هماتوكريت) در محفظه اي به نام كانال شمارش با ارائه دو مدل تركيبي ميزان عملكرد شمارش را تا حدودي بهبود پيدا كند، ارائه شده است. در مدل پيشنهادي اول از سيستم استنتاج عصبي فازي تطبيقي و در مدل پيشنهايي دوم از شبكه عصبي پرسپترون چند لايه كه در هر دو روش از الگوريتم كرم شب تاب، الگوريتم مبتني بر آموزش و يادگيري، الگوريتم پرنده آلاچيق ساتني، الگوريتم جغرافياي زيستي و الگوريتم ازدحام ذرات استفاده شد. در مدل پيشنهادي اول الگوريتم هاي بهينه سازي مختلف با پيشنهاد بهترين پارامترها براي سيستم استنتاج عصبي فازي تطبيقي سعي در بهبود دقت برآورد پارامترهاي خوني مختلف را دارند. نتايج بدست آمده نشان مي دهد كه استفاده از الگوريتم بهينه سازي پرنده آلاچيق ساتني براي انتخاب مناسب ترين پارامترها براي سيستم استنتاج عصبي فازي تطبيقي نسبت به ساير مدل ها بهتر بوده است و اين تركيب نتايج قابل قبول تري را ارائه كرده است. در مدل پيشنهادي دوم نيز مانند مدل قبل بكارگيري الگوريتم بهينه سازي پرنده آلاچيق ساتني در مقايسه با ساير الگوريتم ها سبب توليد نتايج بهتر از معيارهاي ارزيابي شده است. اگر چه الگوريتم بهينه-سازي جغرافياي زيستي و الگوريتم مبتني بر آموزش و يادگيري روي برخي از پارامترهاي خوني نتايج بهتري نسبت به الگوريتم پرنده آلاچيق ساتني بدست آورده اند اما در كل الگوريتم بهينه سازي پرنده آلاچيق ساتني بيشترين تعداد پيش بيني درست را نسبت به ساير الگوريتم ها داشته است. در اين ميان الگوريتم ازدحام ذرات و الگوريتم كرم شب تاب نتوانسته اند هيچ نتيجه قابل قبولي را ارائه دهند. نتايج باليني نشان داد كه كمتر بودن مقدار t محاسبه شده در اين آزمايش (2.42) از مقدار t مجاز (2.77) كمتر است. كه اين نشان دهنده هم خواني و قابل قبول بودن نتايج است.

1400/05/29

Modeling and improving the performance of cell counter machines in hospitals affiliated to Jiroft University of Medical Sciences (JUMS)

1/1/1900 12:00:00 AM

Abstract: Many studies on electronic cell counters have been focused on manual approaches or the application of deformable models (such as snakes, watershed transform, etc.). The aforementioned approaches are not practical at all however, considering the high computational and time cost. Bearing in mind that counting channels in cell counters perform poorly when faced with problems such as platelet aggregation, and the shortcomings of the algorithms mentioned above, in this study we suggest a new algorithm to improve the process of counting the main blood parameters (white blood cells (Wbc), red blood cells (Rbc), platelets (Plt), and hematocrit (Hct)) in the chambers called counting channels. The algorithm provides two hybrid models to enhance the counting process. The first proposed model incorporates AFNIS and the other, artificial neural networks. Both models use firefly, teaching-learning-based, satin bowerbird, biogeography-based and particle swarm optimization algorithms. The first proposed model tries to improve the estimation accuracy of blood parameters by suggesting the best parameters for AFNIS. The results indicated that the use of the Satin Bowerbird optimization (SBO) algorithm to choose the most optimal parameters for ANFIS is more efficient than other models and provides more reliable results. In the second model, multiple optimization algorithms provided varying results by offering various weights and biases. In this model, the use of the SBO algorithm was also more efficient and provided reliable results than other algorithms. The Biogeography-Based Optimization (BBO) and Teaching-Learning-Based Optimization (TLBO) algorithms presented reliable results on some blood parameters than the SBO algorithm, but the SBO algorithm offered the highest number of accurate predictions than the other algorithms. The particle swarm optimization (PSO) and firefly algorithm (FA), however, failed to present any reliable results. Clinical results indicate that the calculated t (2.42) is lower than the allowed t (2.77). Thus, the results seem consistent and acceptable.

پارامتر خوني، سل¬كانتر، امپدانس الكتريكي، الگوريتم¬هاي بهينه¬سازي، شبكه عصبي مصنوعي

Blood Parameters, Cell Counter, Electrical Impedance, Optimization Algorithms, Artificial Neural Network (ANN)