| ارائه یک روش موثر در دسته بندی نماهای اکوکاردیوگرافی با استفاده از یادگیری انتقال |
| Paper ID : 1141-MVIP2020 |
| Authors: |
|
Mohammad Mohammadi *1, Alireza Talebpour2, Ali Hossein Sabet3 1none,none 2Shahid Beheshti University 3دانشگاه علوم پزشکی تهران |
| Abstract: |
| بیماری قلبی عروقی یک اصطلاح کلی برای همه بیماری های قلبی است. برای اکوکاردیوگرافی، می توان نماهای قلبی مختلفی را بسته به موقعیت و زاویه های پروب بدست آورد. از این رو، دسته بندی نماهای اکوکاردیوگرافی به صورت خودکار، به خصوص برای سیستم های کامپیوتری و حتی برای تشخیص خودکار در مراحل بعدی، اولین گام برای تشخیص اکوکاردیوگرافی است. علاوه بر این، اینکار باعث می شود که برچسب گذاری در مقیاس بالا انجام شده و امکان مدیریت داده ها برای مراحل بعدی فراهم گردد.موضوع این مقاله استفاده از روشی جدید برای دسته بندی خودکار نماهایی از تصاویر اکوکاردیوگرافی می باشد که از نظر الگو و ویژگیهای بصری بسیار شبیه هم هستند. در این مقاله نماهای فرعی از نمای اصلی پارااسترنال محور کوتاه و پارااسترنال محور بلند و آپیکال جمع آوری و مورد بررسی قرار گرفته است. ما با ارائه یک روش جدید دقت دسته بندی نماهای اشاره شده را بهبود داده ایم. همچنین پیچیدگی محاسباتی در حین آموزش شبکه و تشخیص برچسب تصاویر با استفاده از روش پیشنهادی به صورت قابل توجهی کاهش یافته است. نکته قابل توجه دیگر اینکه، با توجه به وجود محدودیت هایی که در مورد جمع آوری و برچسب گذاری داده های اکوکاردیوگرافی وجود دارد، مزیت دیگر این روش، انجام مرحله یادگیری شبکه، با |
| Keywords: |
| نمای اکوکاردیوگرافی،دسته بندی نما، یادگیری انتقال، یادگیری عمیق |
| Status : Paper Accepted (Oral Presentation) |
