مسلم درویشی - دانشجوی دکتری - دانشکده مهندسی نقشهبرداری و اطالعات مکانی - پردیس دانشکدههای فنی - دانشگاه تهران - ایران
مهدی آخوندزاده هنزائی - دانشیار دانشکده مهندسی نقشهبرداری و اطالعات مکانی - پردیس دانشکدههای فنی - دانشگاه تهران - ایران
فهیمه درویشی - دانشجوی پزشکی عمومی - دانشکده پزشکی - دانشگاه علوم پزشکی همدان - ایران

تشخیص بیماری و بررسی کارایی قلب بر مبنای تصاویر اکوکاردیوگرافی از گذشته تاکنون مورد توجه پزشکان متخصص در این زمینه بوده است. در دهه های اخیر جهت کاهش خطای انسانی در تفسیر تصاویر پزشکی ارائه یک روش مبتنی بر یادگیری ماشین همواره مورد توجه محققان هوش مصنوعی بوده است. در این تحقیق یک روش یادگیری عمیق مبتنی بر شبکه های عصبی هم آمیختی جهت استخراج نقشه بطن چپ قلب در حالت پایان دیاستولی ارائه گردیده است. یکی از مهم ترین چالش ها در الگوریتم های یادگیری عمیق فراهم نمودن داده های آموزشی مناسب جهت یادگیری ماشین است، در این تحقیق از داده های ارائه شده توسط محققان بیمارستان دانشگاهی اتیئن واقع در کشور فرانسه تحت عنوان CAMUS استفاده شده است که حجم داده ارائه شده متناسب با روش های یادگیری عمیق می باشد. در این تحقیق دو حالت استفاده از داده های اولیه و تقویت داده ها با روش افزونگی داده مورد بررسی قرار گرفته است که تقویت داده موجب افزایش دقت و کارایی شبکه عصبی هم آمیختی پیشنهادی شده است. دقت کلی برآورد نقشه بطن چپ قلب در حالت پایان دیاستولی با استفاده از روش پیشنهادی در بهترین حالت ۹۷.۹۹% و امتیاز F۱ برای آن برابر با ۸۹.۲۱% می باشد.

یادگیری عمیق, نقشهبرداری, شبکه عصبی هم آمیختی, اکوکاردیوگرافی, بطن چپ قلب