شبکه عصبی و کاربرد آن در پزشکی

::استاداستادآقای دکتر توحید خواهآقای دکتر توحید خواه

: : تهيه كنندهتهيه كنندهنونا فربهینونا فربهی

مسعود فتاحیان تهرانمسعود فتاحیان تهران

اميركبير صنعتي دانشگاه

Input 0 Input 1 Input n...

Output 0 Output 1 Output o...

O0 O1 Oo

H0 H1 Hm...

...

Hidden Layer

محاسبه برای روشی اتصال پایه بر که است

چندین پیوسته هم به ساخته پردازشی واحد

.میشوددلخواهی تعداد از شبکه

یا واحد یا گره یا سلول میشود تشکیل نرون

را ورودی مجموعه که.میدهند ربط خروجی به

از ملهم زیادی حد تا مصنوعی عصبی های شبکه مطالعه مجموعه یک آنها در که است طبیعی یادگیر های سیستم.هستند دخیل یادگیری کار در متصل هم به نرونهای از پیچیده

شده تشکیل نرون 11 10 تعداد از انسان مغز که میرود گمان .است ارتباط در دیگر نرون 104 تقریبا با نرون هر که باشد

در که است ثانیه 3-10 حدود در نرونها سوئیچنگ سرعت با. مینماید ناچیز بسیار ) ثانیه ( 10- 10 کامپیوترها با مقایسه

را انسان یک تصویر ثانیه 0.1 در است قادر آدمی وجود این پردازش از باید العاده فوق قدرت این. نماید بازشناسائی

شده حاصل نرونها از زیادی تعدادی در شده توزیع موازی.باشد

معلوم تابع یک محاسبهناشناخته تابع یک تقریبالگو شناسائیسیگنال پردازشفوق موارد انجام یادگیری

گرفته و مغز انسان ایدهیک سیستم پردازشی داده ها که از پردازش داده ها را به عهده ی پردازنده های کوچک و بسیار

زیادی سپرده که به صورت شبکه ای به هم پیوسته و موازی با یکدیگر رفتار می کنند تا یک مسئله را حل کنند.

Cell body

Axon

Synapse

Dendrites

کند.الگوها را طبقه بندیبتواند باشد تا از نظر فیزیکی واقع اندازه کافی کوچک به

گرایانه باشد. با به کار گیری آموزش، قابل برنامه ریزی باشد و

داشته باشد. قدرت یادگیریرا با استفاده از مثال های ارائه شده در توانایی تعمیم

ش، داشته باشد. زفرآیند آمو

مصنوعی عصبی شبکه ساختار

Influence Map Layer

1

Influence Map Layer

2

Hidden

UnitsOutput Units

Input Units

تناظر بین شبکه عصبی و شبکه مصنوعی

Soma Soma

Synapse

Synapse

Dendrites

Axon

Synapse

Dendrites

Axon

Input Layer Output Layer

Middle Layer

I n p

u t

S i

g n

a l s

O u

t p

u t

S i

g n

a l s

Synapses

Axon

Dendrites

Synapses+++--

(weights)

Nodes

W:شدت سیناپس

و +f:هسته سلول

A:سیگنال گذرنده

از آکسون

P + fan

b

w

1

x1x1

x2x2

xnxn

{1 or –1}{1 or –1}

X0=1X0=1

w0w0

w1w1

w2w2

wnwn

ΣΣ

نام به محاسباتی واحد یک برمبنای عصبی شبکه از نوعی از برداری پرسپترونیک. میشود ساخته پرسپترون

از خطی ترکیب یک و گرفته را حقیقی مقادیر با ورودیهای مقدار یک از حاصل اگر. میکند محاسبه را ورودیها این غیر در و 1 با برابر پرسپترونخروجی بود بیشتر آستانه

.بود خواهد 1 -معادل اینصورت

Perceptron

میشود مشخص زیر رابطه توسط پرسپترون خروحی:

داد نشان زیر بصورت میتوان آنرا سادگی برای که:

پرسپترون یک یادگیری

O(x1,x2,…,xn) = O(x1,x2,…,xn) = 1 if w0 + w1x1 + w2x2 + … + wnxn > 01 if w0 + w1x1 + w2x2 + … + wnxn > 0-1 otherwise-1 otherwise

O(O(XX) = sgn() = sgn(WXWX) where) where

Sgn(y) = Sgn(y) = 1 if y > 01 if y > 0-1 otherwise-1 otherwise

:از است عبارت پرسپترون یادگیری W برای مقادیردرستی کردن پیدا

تمام ازمجموعه است عبارت پرسپترون یادگیری در H فرضیه فضای بنابراین.وزن بردارهای برای ممکن حقیقی مقادیر

14

Input units

Input to unit j:aj =wij ai

j

i

Input to unit i:ai

measured value of variable i

Output of unit j:

oj = f(aj)Output

units

Neural NetworkNeural Networkss

تصمیم سطح یک بصورت میتوان را پریسپترون hyperplane فضای در n نظر در ها نمونه بعدی

صفحه طرف یک های نمونه برای پرسپترون. گرفت بوجود 1 -مقدار دیگر طرف مقادیر برای و 1 مقدار.میاورد

پرسپترون توانائی

++++

++

----

--

Decision boundary (Decision boundary (WXWX = 0) = 0)

را بولی توابع از بسیاری میتواند پرسپترونیک AND, OR, NAND, NOR نظیر دهد نمایش

نمیتواند اما XORدهد نمایش را.

ای شبکه با میتوان را بولی تابع هر واقع در .داد نشان پرسپترونهااز دوسطحی

پرسپترونو بولی توابع

AND: AND: x1x1

x2x2X0=1X0=1

W0 = -0.8W0 = -0.8

W1=0.5W1=0.5

W2=0.5W2=0.5ΣΣ

طراحي شبكه عصبي

الگوريتم هاي آموزش برايV شبكه عصبي چند اليه

در قالب ماتريسهاي مقادير بازنمايي فشرده اطالعات وزنها و باياسها و عملکرد ساده و سريع به علت ويژگي

فوق و قابليت تعميم قابليت تحمل نويز و داده هاي ناقص

هاي مشاهده نشده. دهي مناسب روي داده که يک ويژگي قابل توجه در پردازش غير خطيقابليت

هاي واقعي است. کار با دادههاي عصبي نتيجه طبيعت توزيع شده قدرت شبکه

اطالعات در ميان وزنها و پارامترهاي شبکه است و اين را به توانايي ذخيره و بازيابي مناسب الگوهاعامل

دهد. سامانه مي

شبكه جهت واعد یا دستورات مشخصی برای طراحیق.وجود نداردیك كاربرد اختیاری

بستگی زیادی به اندازه مجموعه دقت نتایج دارد.آموزش

یا حتی مشكل شبكه ممكن است موزشآ غیرممكن باشد.

شبكه ) عمومیت یافتن ( پیش بینی عملكرد آینده یست.آن به سادگی امكان پذیر ن

وجود داشته باشد. مثلخطا در داده های آموزشیمسائلی که داده های آموزشی دارای نویز حاصل از .دادهای سنسورها نظیر دوربین و میکروفن ها هستند

باشد.مقادیر پیوسته تابع هدف دارای زمان کافی برای یادگیری وجود داشته باشد. این روش در مقایسه با روشهای دیگر نظیر درخت

دارد.به زمان بیشتری برای یادگیریتصمیم نیاز میتوان سختی به زیرا. نباشد هدف تابع تغيیر به نیازی.نمود تغيیر را شبکه توسط شده یادگرفته اوزان

شبکه یادگیری برای مناسب مسائلعصبی های

:انجام هرگونه تصميم گيري كه در دنياي كاربردهاي تجاري تجارت به سهولت انجام پذير نيست، مثالً

تصميم گيري هايي كه نياز به اطالعات وسيعي در محدوده ي هدف مورد نظر دارند. مثالً در تالش براي

پيش بيني نوسانات سهام ازروي اطالعات قبلي در بورس از شبكه ها به وفور استفاده مي شود.

: بسياري از كارشناسان هوش مصنوعي هوش مصنوعيمعتقدند شبكه ها ي عصبي مصنوعي بهترين وشايد تنها

اميد طراحي يك ماشين هوش مند هستند.فشرده كردن اطالعات تصويري براي كاهش حجم

اطالعات

تشخیص و درمان بیماریها1.

پیش بینی و پیش آگاهی2.

مهندسی پزشکی3.

درمان كار مرحله مهمتري�ن بيماري تشخي�ص مي باشد.

در بس�ياري از موارد، پردازش داده هاي وسيع مربوط ب�ه ي�ك بيماري خاص ب�ه طور دستي بسيار ي��ا و ندارد امكان پزشكان براي

پيچيده و طوالني است شبكه هاي عص�بي ك�ه بس�يار س�ريع و ت�ا ح�د قابل

ان�د بسياري قبول�ي قاب�ل اعتمادن�د، توانس�ته.از اين مشكالت را حل كنند

نحوة اس�تخراج اطالعات در ه�ر بيماري بسيار بيماران تعداد چه ه�ر و اس�ت اهمي�ت ب�ا بيشتري اس�تفاده شود، عملكرد شبك�ه بهتر

خواهد بود.

اخير س��ال هاي در عصبي شبكه هاي

براي تجزيه و تحليل ب�ه طور گسترده اي

به كار رفته اند

ECG database

ECG signals fromsensors Pre-process

(LP/HP Filtering,and normal beat

selection)

Pre-screen

Template match

Decisionbased neural

network(DBNN)

Candidates

Feature extraction

Identification پیشپردازش

استخراجویژگیها

داده پایگاهECG

شبکهعصبی

QRS زمان

SV tachycardia

Ventricular tachycardia

LV hypertrophy

RV hypertrophy

Myocardial infarction

R-R فاصله

S-T ارتفاع

P-R فاصله

AVF lead

QRS دامنه

ها ورودیسن 1.جنسیت 2.های 3. هورمون میزان

TSH,T4U,T3,TT4,TBG

ها خروجینرمال1.تیروئید 2. غده پرکاریتیروئید 3. غده کاری کم

Hiddenunits

Finaldiagnoses

TSH

T4U

Clinical findings

Agesex……

T3

TT4

TBG

Normal

Hyperthyroid

Hypothyroid

سل تشخيص در تصاوير آناليز سيستمسل بيماري

. آلوده شش ها ابتدا است واگيردار باكتري عفونت نوع يك ريه، سل . كند مي سرايت نيز ديگر اندام هاي به ع�فونت تدريج به و شده

به توان می بيماري عالئم جمله ازسرفه1.خفيف 2. تب.3 . كرد اشاره شنوايي دادن دست از و خستگي تعرق، وزن، كاهشاز 4. ناهنجاري صداهاي گوش، با ريه صداي به دادن گوش صورت در

مي شود شنيده آناشعه 5. تصاوير از نهايي تشخيص سينه -xبراي قفسهو 6. شش ها از برداري نمونه استفاده Bronchoscopyآزمايشات

مي شود.

سل تشخيص در تصاوير آناليز سيستمويژگي ها استخراج

اشع�ه تص�اوير براي -xاز سينه قفس�ه . است شده استفاده ويژگي ها استخراج

سفيد : استخوان ها سالم افراد و در ، سياه جاي به هوايي كيسه هاي

. است خاكستري

درجة سل ضايعات داراي قسمت هاينواحي بقية با متفاوتي خاكستري رنگدر با را نواحی این توان می که دارندبقیه از آستانه سطح یک گرفتن نظر

. كرد جدا نواحی

سل تشخيص در تصاوير آناليز سيستمويژگي ها استخراج مراحل

پردازشگر 1. يك به اسكنر توسط آمده بدست ديجيتال تصاوير سيستم در. مي شود داده تصوير

داده 2. افزايش را تصوير كيفيت نموده، فيلتر را نويز تصوير، پردازشگر

مختلف 3. نواحي از را الزم ويژگي هاي .MMRسپس نمايد مي استخراج

سل تشخيص در تصاوير آناليز سيستمآن آموزش و عصبي شبكه مدل شبك�ه • اليه MLPاز ي�ك براي Hiddenب�ا

است شده استفاده آموزشديجيتالي • تص��اوير معمول��ي اندازه

الگوريتم 512×512 ي�ك ب�ا ك�ه اس�ت پيكس�لبه تص�وير پردازشگ�ر توس�ط س�ازي فشرده

فايل .10×10يك شود مي تبديل پيكسليب�ه • شبك�ه ورودي الي�ه سلول 100بنابراي�ن

. يابد مي كاهشيادگيري • سرعت مختل�ف مقادي�ر ب�ا شبك�ه

ثاب�ت می , momentumو داده آموزششود

سل تشخيص در تصاوير آناليز سيستمآن آموزش و عصبي شبكه مدل

در خطا هاي epochميزانشده گيري اندازه مختلفبه. پاس�خ ها بهتري�ن اس�ت

بدست =1/0و= 0.5ازاي آمده اند.

و مقدار اين به با سل ضايعات تشخيص در شبكه .20خطاي يابد% مي كاهش

و

سينه سرطان تشخيصبندي طبقه گروه س�ه ب�ه توان م�ي را زمين�ه اي�ن در گرفت�ه انجام كارهاي

كرد

داده هاي- 1 از استفاده ب�ا س�ينه بدخي�م ضايعات وجود بين�ي پي�شماموگرافي

2) پيشرفته- س��رطان ع�نوان ب��ه بدخي��م ضايعات بندي Situكالس

vs.Invasive(

داده هاي- 3 از استفاده ب�ا س�ينه بافت�ي توده هاي بودن بدخي�م گيري پي�ش)ultrasoundفراصوت (

سينه سرطان تشخيصو اليه ي�ك پرس�پترون شبك�ه از تحقيقات اي�ن هم�ة درشده استفاده خط�ا انتشار پ�س يادگيري، الگوريت�م

است.جمله از اطالعات�ي كردن ميس�ر ب�ا عص�بي شبكه هايتشخيص همچنين تومرها، خيمي بد يا و خيمي خوش توسط فق�ط ً س�ابقا ك�ه س�رطان پيشرفت�ه نوعقابل زنده باف��ت برداري نمون��ه جراحي هاي

روش هاي بهبود براي زيادي پتانسيل بوده، دسترسي . با دارند س�ينه ضايعات داراي بيماران مديري�تجراحي هاي تعداد مي توان شبكه ها اي�ن از اس�تفادهو داده كاهش را بيماران روي ضروري غي��ر

. كرد كم را مربوط هزينه هاي

سينه سرطان تشخيصخوبي حس�اسيت داراي فراص�وت و ماموگراف�يماموگرافي تص�اوير روي از ك�ه معني بدين است،موارد مي توان قبولي قاب�ل اطمينان ص�د در ب�ادر ولي داد تشخي�ص را س�رطاني غي�ر و س�المبه و نيست اعتماد قابل سرطاني موارد تشخيص

دلي�ل برداري% 65همي�ن نمونه ب�ه ك�ه مواردي ازخيم خوش ضايع�ات داراي شون�د م�ي داده ارجاعبرداري نمونه ب�ه نيازي واق�ع در ك�ه باشن�د م�ي

ندارند.

سينه سرطان تشخيص

عصبي شبكه ورودي هايابزارهاي • وسيله به كه هستند پزشكي شده كد اطالعات

فراصوت ماموگرافي، نظير پزشكي از )us(آزمايشگاهي يا واند شده استخراج بيماران سوابق

مي اعمال شبكه به مطلوب نتايج ع�نوان به كه نهايي هاي خروجيبرداري نمونه از حاصل نتايج باشند ) biopsy(شوند، مي

خيم 1. خوش

بدخيم 2.

پيشرو 3. سرطان

ورودي هاي شبكه ها

سينه سرطان تشخيصجراحي 500از تح�ت ك�ه ماموگراف�ي در مشكوك مورد

گرفته قرار بودند

و 174 بدخي�م خيم 326مورد خوش س�رطان داراي فرددر و است

مورد بيماران BI-RADSپارامت�ر 10ه�ر سن همراه ب�هو استخراج

شده اعمال شبكه ب�ه آموزش براي ورودي عنوان ب�هاست.

ماموگرافي از استفاده با بدخيم سرطان بيني پيش

سينه سرطان تشخيصبازه در مقاديري ه�ا داده خروج�ي در [1-0]در كه اس�ت

به يك اينجاخيم خوش س�رطان معناي ب�ه و بدخي�م س�رطان مع�ناي

براي كه استعنوان به را مقداري خروج�ي در گروه دو اي�ن كردن جدا

آستانه سطحدهنده نشان آن از باالت�ر مقادي�ر ك�ه گيري�م م�ي نظ�ر در

آن بودن بدخيمآن س�رطان خي�م خوش معن�ي ب�ه ت�ر پائي�ن مقادي�ر و مورد

خواهد فرد بود.



گيرند مVي قرار آVن زيVر كVه مواردي باشVد كمتVر آسVتانه حVد مقدار چVه هVر . است رفته باالتر حساسيت و خيمند خوش بيشتري احتمال با

بيماران : گروه در شبكه توسط بيماران كه است اين احتمال حساسيتدارند خيم خوش بيماري كه وقتي گيرند قرار خيم خوش

Specificity : طبقه بدخيVم بيماران گروه در بيمار كVه اسVت ايVن احتمال . دارد بدخيم بيماري كه وقتي شود بندي

نظر در كوچVك امكان حVد تVا آسVتانه حVد حسVاسيت باالتريVن كسVب برايشود مي گرفته

مقدار ( .98حساسيت) %0.13با آيد مي دست به


0 0.13 1

سينه سرطان تشخيصاز 171يعني بيمار 174نفر

و بودند آستانه حد باالي بدخيمك�الس در درستي -Trueبه

Positive گرفتند قرارآستانه % حد اين از 42با

اين از خيم خوش موارد . بنابراين بودند تر پايين مقدار

ك�الس در درستي -TrueبهNegative كه شدند داده قرار

براي ترتيب اين از 136به نفربه 326 خيم، خوش بيمار

نمونه از شد مي راحتي. كرد جلوگيري برداري

ماموگرافي از استفاده با بدخيم سرطان بيني ماموگرافي پيش از استفاده با بدخيم سرطان بيني پيش

0 0.13 1

بد خیم

خوش خیم

سينه سرطان تشخيصيا خيم خوش كردن مشخص بر عالوه تحقيق ادامه در

را بدخيم سرطان بودن پيشرفته ، سرطان بودن بدخيم. كنند مي تعيين نيز

هاي داده از فقط شبكه آموزش براي بار اين . است شده استفاده ماموگرافي

منطقي غير شايد متخصص پزشكان نظر از كار ايناطالعات. با سرطان بودن پیشرفته حالت زيرا باشد

از ً مستقيما و شود مي مشخص ميكروسكوپيكقابل است ماكروسكوپيك روش يك ك�ه ماموگرافي

. نيست رويتاين شده انجام كار اين آن اساس بر كه اي فرضيه

ارتباط بيماران از بسياري درمورد حال هر به كه استوجود ماكروسكوپيك و ميكروسكوپيك حقايق بين كافي

فرضيه اين درستي خوبي به تحقيق اين نتايج و دارد. داد نشان

ماموگرافي با پيشرفته سرطان بيني پيش

سينه سرطان تشخيصآستانه ح�د ، 0/6با

درستي ب�ه شبك�هاز 65 120مورد

سرطان موردباالتر را رو پي�شسطح اي��ن از

داده نشاندرستي ب�ه 218و

از 243موردزير منف�ي مورد

آستانه ح��دقرار) 90(%

گرفتند.

ماموگرافي با پيشرفته سرطان بيني پيش

0 0.6 1

سرطان پیشرفته

خوش خیم


به فق�ط س�ينه هاي عك�س در فراص�وتتوده از ساده كيس�تهاي دادن تماي�ز منظور

. رود مي ك�ار به جامد هايآزمايش در پروژ�ه ي�ك usدر ، بيمار 175

براي ك�ه داشتن�د س�ينه از 65ناهنجاري نفرانجام سينه باف�ت از برداري نمون�ه بيمارانبوده دسترس در نهاي�ي نتاي�ج و گرفت�هتفسير س��يستم از اس��تفاده ب��ا اس��ت،

فراصوت Stavorsعكس� هاي ، از 7 دادهورودي عنوان به و اس�تخراج عكس� ها اي�ن

است شده اعمال عصبي شبكه به

با سرطان بودن بدخيم ultrasoundsتشخيص


آس�تانه ح�د خروجي 0/24ب�ا دراز 30شبكه مورد 31مورد

داده تشخيص بدخيم سرطانياز 27و خوش 34مورد مورد

شد داده تشخيص خيمكم تعداد ب�ه توج�ه ب�ا نتاي�ج اي�نآموزش در رفته بكار نمونه هايو است كننده دلگرم بس��يار

اينك�ه بر مي باش�د مي usتائيديدر بيشتري كاربرد تواندو خيمي خوش تشخي��ص. باشد داشته سرطان بدخيمي

با سرطان بودن بدخيم ultrasoundsتشخيص

0 0.24 1

خیم خوش بدخیم

پيش واق�ع در زندگ�ي ب�ه امي�د تخمي�ننشانه هاي و بيماري نتيجه و رون�د بين�ي

. است بيماري آن براي بهبود از كليجايگزين مص�نوعي، عص�بي هاي شبك�ه

آماري روش هاي براي مناسبيبه امي�د تخمي�ن منظور ب�ه مرس�وم

. هستند زندگيدر بيماري مورد در دادن آگاهي پي�شكمك بيمار ب�ه توان�د م�ي فردي س�طحمورد در آگاهانه اي تصميم ت��ا كن��د

. بگيرد خود درمان

زندگي به اميد تخمين

به نس�بت زمين�ه اي�ن در عص�بي شبكه هاي مس�لم امتيازطور به توان نم�ي ديگ�ر ك�ه اس�ت اي�ن آماري هاي روش

. كرد سانسور را ها داده دستيانحصاري طور ب�ه قادرن�د عص�بي شبكه هاي همچني�ندر بزنند تخمين را زندگ�ي شانس بيمار، شخ�ص ه�ر برايبيماران از گ�روهي مطالع�ه ب�ا آماري روش حاليك�ه

. زنند مي تخمين بيماري هر مورد در را بهبودي شانس

زندگي به اميد تخمين

NPC سرطان و Nasopharyxيا سر شايع سرطان ،چين، آسيا، شرق جنوب نواحي ساكنين ميان در گردن

. است سنگاپور و مالزي كنگ، هنگ تايوان،

بيماران مورد در Vزندگي به اميد NPCتعيين

اساس بر شده 1693آزمايش ديده در NPCموردزماني فاصله در گرفته 1999تا 1969كواالالمپور انجام

است عبارتنداز ورودي متغ�يرهاي

سن 1.

جنس2.

نژاد3.

گويش4.

عالمت 5. نوع بيماري، عالمت اولين زمان

تومور 6. اندازه بافت، از برداري نمونه آزمايشات

.7 . باشد مي عصبي فشارهاي

بيماران مورد در Vزندگي به اميد NPCتعيينشبكه آموزش و ورودي داده هاي

روش از استفاده با ها داده پیش " one of n"ايناند شده پردازش

مقادير به متغيرها همه پردازش پیش تكنيك اين در. شوند مي كد باينري مختلف

اند شده داده آموزش و طراحي ع�صبي شبكه مدل دوشبكه MLPيكي ديگري نوع recurrentو Elmanاز

است. تست مرحله و هستند يك و صفر فرم به ها خروجي

. 50روي است گرفته انجام مورد


فاكتور از معموال بيماران زندگي ب�ه امي�د تع�يي�ن ROCدر. شود مي استفاده

ROC حسب بر حساسيت .)Specificity(منحني است مورد در شبكه ك�ه اس�ت مواردي هم�ه نس�بت حس�اسيت

) مقدار مرگ درس�تي ب�ه كرده) (+ 1آنه�ا بيني پي�ش راtrue (اند مرده واقعي�ت در ك�ه ورودي از مواردي ك�ل ب�ه

در Specificityو درستي ب�ه ك�ه اس�ت افرادي نس�بت ( ) به ص�فر مقدار ان�د شده داده تشخي�ص زنده خروج�ي

مانده اند زنده واقع در كه ورودي از مواردي كل



Dead)+( Alive)-(

Result Positive A=True Positive B=False Positive

Result Negative C=False negative D=True Negative

True Negative/Positiveتعاريف- 1جدول

Sensitivity =A/(C+A) specificity = D/(B+D)

منحن�ي زي�ر به ROCمس�احتشبكه كل�ي نتاي�ج دق�ت عنوان . جدول در شود مي گيري اندازه

هر 2 براي آمده بدس�ت نتاي�ج . است شده ارائ�ه شبك�ه دونوعپيداست جدول از ك�ه همانطور

شبك�ه از MLP عملكرد بهترElman گفت توان م�ي ام�ا اس�ت

با ان�د توانس�ته شبك�ه دو ه�ر ك�هاز بسياري در خوب��ي عملكرددرستي هاي بين�ي پي�ش موارد

. دهند انجام


MLP Elman

year ROC SE % ROC SE %

1 0.795 0.062 79.71 0.734 0.059 68.49

2 0.782 0.053 71.64 0.621 0.076 68.49

3 0.838 0.053 81.2 0.637 0.079 68.49

4 0.735 0.057 76 0.672 0.078 73.97

5 0.795 0.051 79 0.717 0.080 72.6

6 0.864 0.045 79.5 0.798 0.092 86.3

7 0.845 0.046 84 0.810 0.130 86.3

8 0.918 0.034 90 0.865 0.102 86.3

9 0.918 0.036 90 0.876 0.130 89.04

10 0.957 0.028 93 0.915 0.222 93.15

هاي- 2جدول منحني زير مساحت مقاديرROC حساسيت ،SE) )%( )شبكه دو در درصد و

Elman , MLP

مورد تجهيزات ساخت و طراحي علم پزشكي مهندسيشبكه هاي اخير سال هاي در است، پزشكي در استفادهقرار استفاده مورد پزشكي تجهيزات ساخت در عصبي

مي. آورده ع�ملي نمونة عنوان به ك�ه آنچه گرفته اند. است پراهميت و كاربردي سرطان زمان در شود،

مقابل در نرمال س�لول هاي ب�ا مقايس�ه در س�رطاني س�لول هاي . دارند كمتري مقاومت گرما

ب�ه دم�ا رس�يدن c 24ب�ا آسيب ْ س�رعت ب�ه س�رطاني س�لولهاي ،كمتر س�الم س�لولهاي ك�ه حال�ي در شود، م�ي فعال غي�ر و ديده

. بينند مي آسيب

به سرطان درمان براي مايكروويو از استفاده اينكه به توجه باباشد، م�ي مناس�ب راهكارهاي جمل�ه از درمان�ي گرم�ا روشدرمان پروسة در ك�ه دم�ا س�نجش مرس�وم س�نسورهايالزم كارآيي توانن�د نم�ي رون�د، م�ي كار ب�ه ماكرووي�و ب�ا س�رطانكه محي�ط در موجود الكترومغناطيس�ي امواج وجود بعل�ت را

. باشند دارا شود مي ادوات اين در نويز و تداخل ايجاد باعث

در كه نوري في�بر ب�ا حرارت درج�ه س�نسور س�اخت بنابراي�نو كوچك بس�يار و نشده تداخ�ل دچار مغناطيس�ي ميدانهاي

اس�ت است. [4]دقي�ق پزشك�ي وس�ايل تري�ن كاربردي از يك�ي. است شده ساخته عصبي هاي شبكه كمك به كه

نوري فيبر با دما سنسور پروب طراحي

است اي�ن بر س�نسور كار اس�اسگرما برابر در مواد از برخ�ي ك�هضريب تغيي�ر شك�ل ب�ه واكنش�ي

نور مي )n(شكس�ت نشان خود ازدهند.

تشعشع درم�د پروب ك�ه هنگام�يانرژي مقدار گيرد، قرارم��ي

) مقدار تأثير تح�ت آ�ن ) nتابش�يباال . دما ك�ه زمان�ي گيرد م�ي قرار

رودمقدار ( يابد) nم�ي م�ي كاه�شانرژي ك�ه شود م��ي باع��ث ودما اگ�ر و ياب�د كاه�ش تابش�ي

عك�س ( بر ياب�د افزايش) nكاه�ش. يابد افزايش تابشي انرژي و

نوري فيبر با دما سنسور پروب طراحيسنسور كار طرز

انرژي و دم�ا بي�ن رابط�ه همي�ن ازسنسور و شده اس�تفاده تابش�ي . مقدار است شده طراح�ي گرم�امقدار روي رااز تابشي انرژ�يپروب انتهاي در بازگشتي انرژ�ي . مهم مس�ئله گيرند م�ي اندازه

) مقدار بايد) nانتخاب ك�ه اس�تانتخاب كار شرايط بهتري�ن دربه مادة ك�ه اي گون�ه ب�ه ك�ه گردددما ثاب�ت تغييرات ب�ا رفت�ه، كارانرژي تغييرات ميزان باالتري��ن

. براي دهد نشان خود از را تابشي) نظر مورد ماده دو) nتهي�ه از

معين شكس�ت ضري�ب ك�ه مادهبدست براي و ش�د اس�تفاده دارن�دماده دو اين تركي�ب نس�بت آوردنشده گرفته كم�ك عص�بي شبك�ه از

است.

نوري فيبر با دما سنسور پروب طراحيسنسور كار طرز

ژل نوع دو از نظ�ر د مور مادة س�اخت براي س�يليكات اس�تفاده شده ك�ه ضري�ب شكس�ت آنها

اس�ت نس�بتهاي مختلف 1.51 و 1.41ب�ه ترتي�ب از اي�ن دو ژ�ل ب�ا ه�م تركي�ب ودر تغييرات ثابت دم�ا تغييرات ميانگي�ن توان خروجي اندازه گيري

شود براي .م�ي آزمايشات اين هاي داده از آموزش شبكه استفاده مي شود.

نوري فيبر با دما سنسور پروب طراحي

،

استخراج داده هاي ورودي و آموزش شبكه

استفاده Hidden ي�ا پرس�پترون چن�د الي�ه MLP و RBFبراي شبك�ه عص�بي از دو مدل شده است.

بازه واقع اند. بردار ورودي نس�بت ژ�ل سيليكات و بردار [1-0] مقادي�ر خروج�ي در مطلوب خروج�ي تغييرات ميانگي�ن توان خروج�ي در آزماي�ش اس�ت. بهتري�ن نسبت

اس�ت. يعن�ي ب�ا اين n=1.446 اس�ت ك�ه معادل ب�ا [ 1:18]تركي�بي ب�ه دس�ت آمده برابر نس�بت تركي�ب بيشتري�ن تغييرات را در ميانگي�ن توان خروج�ي پروب خواهي�م داشت

يكسان MLP و RBF ( 4 و 3پاسخ هاي بدس�ت آمده توسط هر دو شبك�ه )شك�ل هاي مي باشند.

طراحي پروب سنسور دما با فيبر نوري استخراج داده هاي ورودي و آموزش شبكه

،

شبكه هاي عصبي با توجه به توانايي هاي منحصر به كمك علم پزشكي آمده اند و در به فرد خود

مواردي كه اين علم هنوز نتوانسته نارسايي هاي خود را به تنهايي بر� طرف كند، كمك شاياني در

رفع ناتوانايي هاي آن ارائه مي دهند. كاهش هزينه ها، باالترين اطمينان و دقت پزشكان در تصميم

گيري هاي خود، ساخت وسايل پزشكي كاراتر از جمله خدماتي است كه شبكه هاي عصبي براي

پزشكان انجام داده اند. اميد است با تعامل هر چه بيشتر بين مهندسين و پزشكان ، گام هاي

مؤثرتري در بهبود زندگي بشر برداشته باشد.

،

[1 ]Ramana, K.V., Basha, K., Neural Image Recognition System with Application to Tuberculosis Detection,IEEE proceeding of International Conference of Information Technology,2004

[2 ]Lo,J.Y., Floyd,E., Applisation of Artificial Neural Network for Diagnosis Breast Cancer, IEEE, PP. 1755-1759,1999

[3 ]kareem,S.A., Baba, S., Zubairi, Y.Z., Prasad, U.,Wahid, A.M., Prognostic System for NPC: A Comparison of the Multilayer Perceptron and the Recurrent Model,9th Conference on Neural Information Processing,Vol 1,pp.271-275]4[ Jiusheng, L., Zhenwu, B., Appication of Neural Network Optical Fiber Temperature Sensor Probe Design Used in Medical Treatment. IEEE Trans. Neural Network and Signal Processing, pp. 389-392,Dec. 2003

تشکر با

پایان

شبکه عصبی و کاربرد آن در پزشکی

Documents