اعمال طبقه بندی کننده های مختلف بر روی نتایج دستگاه پریمتری برای تشخیص بیماری گلوکوم
محل انتشار: شانزدهمین کنفرانس مهندسی برق ایران
سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 3,955
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICEE16_101
تاریخ نمایه سازی: 6 اسفند 1386
چکیده مقاله:
گلوکوم یک بیماری پیش رونده عصب بینایی است که در صورت عدم کنترل با آسیب رساندن به عصب بینایی باعث تخریب میدان دید می شود. تست میدان دید توسط دستگاه پریمتری استاندارد (SAP) رایج ترین روش برای تشخیص بیماری گلوکوم است، اما در بعضی مواقع تفسیر نتایج این تست، کار ساده ای نیست. از آنجا که الگوریتم های مختلف یادگیری ماشینی پتانسیل خوبی را برای طبقه بندی نتایج پریمتری، در تشخیص این بیماری از خود نشان داده اند، در این مطالعه تعدادی از این الگوریتم ها شامل LDAو QDA، SVM و MOG به کار گرفته شده است. داده های مورد استفاده، حاصل از انجام تیت پریمتری بر روی 137 بیمار و معاینات مرتبط، در بیمارستان رسول اکرم تهران می باشد. نتایج این الگوریتم ها با یکدیگر و نیز با شاخص های آماری STATPAC (بسته نرم افزاری موجود برای تفسیر نتایج دستگاه پریمتر)، مقایسه شده اند. برای مقایسه عملکرد طبقه بندی کننده های مختلف از سطوح زیر منحنی های ROC و حساسیت ها (Sensitivity) و قطعیت ها (Specificities) استفاده شده است. نتایج نشان می دهد که طبقه بندی کننده های یادگیری ماشینی، عملکرد بهتری نسبت به بهترین شاخص های STATPAC دارند و در کل هم خوانی مطلوبی بین نتایج این مطالعه با نتایج مطالعات انجام شده در دیگر کشورها دیده می شود که نشان دهنده تعمیم پذیری این الگوریتم ها بر داده های داخل کشور می باشد.
کلیدواژه ها:
نویسندگان
غنچه مشایخی
دانشجوی کارشناسی ارشد مهندسی پزشکی دانشگاه
محمد حسین میران بیگی
عضو هیات علمی گروه مهندسی پزشکی دانشگاه تربیت مدرس
نوید نیلفروشان
استادیار چشم دانشگاه علوم پزشکی ایران
ریحانه سپهر
دانشجوی کارشناسی ارشد مهندسی پزشکی دانشگاه صنعتی امیرکبیر
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :