فهرست نشریات علمی دسترسی آزاد ایران

مقدمه: تصویربرداری ام‌آر‌آی برای تشخیص بیماری‌های قلبی در سال‌های اخیر رایج شده­است، اما این روش‌ها زمان‌بر و همراه با خطای انسانی هستند. به همین دلیل، هوش مصنوعی و به‌ویژه یادگیری عمیق به دلیل توانایی بالایشان در پردازش تصاویر پزشکی، مورد توجه قرار گرفته‌اند. هدف این مطالعه، ارائه مدلی مبتنی بر شبکه عصبی کانولوشنی برای تشخیص دقیق  بیماری قلبی وکاهش نیاز به مداخلات انسانی است.روش کار: در این پژوهش، مدلی مبتنی بر شبکه عصبی کانولوشنی برای تشخیص بیماری قلبی طراحی و پیاده‌سازی شد. برخلاف رویکردهای متداول که تصاویر را به‌صورت تک‌فریم یا موازی پردازش می‌کنند، در این مطالعه از ورودی‌های دوکاناله شامل تصاویر پایان دایستول و سیستول استفاده گردید تا پویایی چرخه قلبی بهتر منعکس شود. معماری پیشنهادی شامل لایه­های متعدد کانولوشن و تجمیع بیشینه بوده و برای جلوگیری از بیش‌برازش، لایه‌ حذف تصادفی به کار گرفته شد. علاوه بر این، تنظیم هایپرپارامترها از جمله نوع بهینه‌ساز و اندازه بچ و بهره‌گیری از روش‌های پیشرفته افزایش داده، به بهبود عملکرد شبکه کمک کرد.نتایج: آزمایش‌ها بر روی مجموعه‌داده ACDC انجام شد و عملکرد مدل با معیارهای معتبر ارزیابی گردید. نتایج نشان داد که رویکرد دوکاناله نسبت به مدل‌های تک‌فریم و موازی، بهبود قابل‌توجهی ایجاد می‌کند. همچنین، مقایسه با معماری‌های مرجع و الگوریتم‌های یادگیری ماشین، برتری روش پیشنهادی از نظر دقت و پایداری عملکرد را تأیید کرد.نتیجه گیری: رویکرد دوکاناله می‌تواند ابزاری کارآمد در تشخیص بیماری‌های قلبی باشد. این روش با دقت بالاتر نسبت به مدل‌های مرجع و کاهش وابستگی به تفسیر انسانی، امکان جایگزینی بخشی از فرآیندهای سنتی را فراهم می‌سازد.