جستجو
Generic filters
Filter by دسته‌ها
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
 هوش مصنوعی می‌تواند سرعت تشخیص سکته را افزایش دهد

هوش مصنوعی می‌تواند سرعت تشخیص سکته را افزایش دهد

پیش از توضیح در این باره که هوش مصنوعی چطور می‌تواند سرعت تشخیص سکته را افزایش دهد، باید کمی درباره اهمیت مواردی خاص بدانید. شناسایی دقیق و به‌موقعِ ضایعه‌های سکته انسدادی حاد (AIS) در تصاویر ام‌آرآی اهمیت خارق‌العاده‌ای برای بیماران دارد و می‌تواند مراحل درمانی قلبی را ارتقاء بخشد.

تفکیک یا شناسایی ضایعه از جمله فرایندهای روتین به شمار می‌رود که طی آن، رادیولوژیست‌ها بخش‌های غیرعادی در تصاویر مغزی را به صورت کِیفی و دستی برمی‌گزینند. با این حال، شناسایی ضایعه‌های بدن به صورت دستی به زمان زیادی احتیاج دارد و ممکن است تشخیص درستی صورت نگیرد. بر همین اساس، روش‌های کارآمد و مقرون به‌صرفه‌ای برای بررسی ضایعه‌های ناشی از سکته انسدادی حاد معرفی شده است.

تشخیص سکته

هوش مصنوعی و تشخیص سکته

تحقیق حاضر، روشی جدید و کاملاً خودکار برای شناسایی و تفکیک ضایعه‌های ناشی از سکته انسدادی حاد در تصاویر ام‌آرآی عرضه می‌کند و منجر به تشخیص سکته با سرعت بالاتر خواهد شد؛ بنابراین، تصاویر به دست آمده به شکل کارآمدتری در قالب «سکته» و «غیر سکته» دسته‌بندی می‌شوند. این روش شناسایی نابهنجاری که به صورت کاملاً خودکار انجام می‌شود، تصاویر وزنی DWI و تصاویر ضرایب ADC را با تصاویر افراد سالم مقایسه می‌کند.

آن بخش‌هایی که در DWI و ADC با شدت بیشتری نشان داده شده‌اند، به عنوان ضایعه یا زخم تشخیص داده می‌شوند. روش تفکیک ضایعه در میان حدود ۱۰۰ فرد بررسی شده است. از آنجا که خطرِ شناسایی اشتباه ضایعه‌ها به دلیل آرتیفکت‌ها، نویزها یا کیفیت پایین تصویر وجود دارد، پوشش‌های ضایعه‌ای (Lesion masks) ایجاد شده در این روش از طریق یک ابزار طبقه‌بندی صفر و یک مورد پایش و فیلتر قرار می‌گیرند. بنابراین، مشخص می‌شود که پوشش ضایعه‌ایِ ایجاد شده دربردارنده‌ی AIS واقعی است یا خیر. عملکرد طبقه‌بندی در حدود ۲۰۰ ام‌آرآی ارزیابی شده است.

نتایج تحقیق که در مجله «روش‌های علوم عصب‌شناختی» منتشر شده است، سازگاری خوبی با ضایعه‌هایی دارد که کارشناسان به صورت دستی کِشیده‌اند. روش نوین از کارایی و سرعت بالایی بهره می‌برد و به حافظه یا قدرت محاسباتی بالایی نیاز ندارد.

محقق پروژه – ساناز نظری فارسانی – از مرکز Turku PET بیان کرد: «ما معتقدیم که این روش از ظرفیت لازم برای اجرا در بسیاری از مراحل تشخیص ضایعه برخوردار است و می‌تواند در فرایندهای تشخیص بالینی بیمارستان‌ها در دستور کار باشد. این روش به رادیولوژیست‌ها کمک می‌کند تا سرعت تشخیص ضایعه افزایش و سوگیری اپراتور نیز کاهش یابد.»

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

مقاله ما چطور بود؟

میانگین امتیاز / ۵. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
Please enable JavaScript in your browser to complete this form.