چکیده مقاله
تخمین پارامتر از دنباله های زمانی مانند سیگنال های حیاتی ، تصویربرداری های پزشکی پویا و کاربرد های فراوانی در حوزه های پزشکی و غیر پزشکی دارد به دلیل پیچیدگی و هزینه محاسباتی که در مدل سازی های ریاضی برای تخمین این پارامتر ها وجود دارد استفاده از شیوه ای نوین که بتواند به سادگی این پارامتر ها را با کمترین خطا و دقتی قابل قبول تخمین بزند مورد توجه پژوهشگران بوده است ، یکی از این روش ها استفاده از روش های مبتنی بر هوش مصنوعی از جمله شبکه های عصبی عمیق LSTM می باشد که برای تحلیل دنباله های زمانی ارائه شده است در این پژوهش قصد داریم برای اولین بار به کمک یک سری دنباله های زمانی شبیه سازی شده با توجه به مدل ریاضی تافت ، یک شبکه LSTM به منظور تحلیل آنها و تخمین پارامترهای فارماکوکنتیک این سیگنال ها آموزش داده شود به نحوی که بتوان شبکه حاصل را برای ارزیابی و تحلیل فارماکوکنتیک تصاویر DCE MRI بیماران به کار گرفت علاوه بر این شبکه طراحی شده می تواند ابتدا مدل فارماکوکنتیک مناسب هر پیکسل را انتخاب و سپس پارامترهای مناسب آن مدل را تخمین بزند نتایج حاصل نشان داده است که شبکه آموزش دیده می تواند با دقت خوبی این وظیفه را انجام دهد
کلیدواژهها
نویسندگان
حسین ملک محمدی فرادنبه
دانشجو، گروه مهندسی هسته ای،بخش مهندسی هسته ای، دانشگاه شیراز ، ایران
عظیمه نوری زاده واحد دهکردی
استادیار، گروه فیزیک ،واحد نجف آباد ،دانشگاه آزاد اسلامی، نجف آباد ،ایران
صدیقه سینا
دانشیار،گروه مهندسی هسته ای،بخش مهندسی هسته ای، دانشگاه شیراز مرکز تحقیقات تابش،ایران
شیوه ارجاع
ملک محمدی فرادنبه، حسین و نوری زاده واحد دهکردی، عظیمه و سینا، صدیقه،1401،استفاده از شبکه های عمیق LSTM در تفسیر فارماکوکنتیک تصاویر دینامیک تشدید مغناطیسی،دومین کنفرانس بین المللی مهندسی و علوم کامپیوتر،نجف آباد
ارائهشده در
مجموعه مقالات اولین همایش بین المللی وکالت، حقوق و علوم انسانی18 تیر 1402 · همدان