عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
شماره کتابشناسی ملی
شماره
۹۸۵۰۵پ
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
فارسی
عنوان و نام پديدآور
عنوان اصلي
تعیین محدوده لایه RNFL شبکیه در OCT افراد با آتروفی عصب اپتیک به وسیله تکنیک هوش مصنوعی
نام عام مواد
[پایان نامه]
نام نخستين پديدآور
احسان هدایتی
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
تاریخ نشرو بخش و غیره
۱۴۰۱
مشخصات ظاهری
نام خاص و کميت اثر
۶۰ص
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
دکتری تخصصی
نظم درجات
چشم پزشکی
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
هدف: مقایسه ی سگمنتاسیون لایه RNFL شبکیه در OCT بیماران مبتلا به آتروفی عصب اپتیک، توسط تکنیک هوش مصنوعی (conventional neural network) و روش استاندارد دستگاه هایدلبرگ (automated retinal analysis)نوع مطالعه: مطالعه ی مقطعیروش اجرا: این مطالعه به صورت گذشته نگر بر روی اطلاعات به دست آمده از تصاویر RNFL OCT 194 چشم سالم، و 166 چشم مبتلا به آتروفی عصب اپتیک (82 چشم مبتلا بهAION و 84 چشم مبتلا به نوریت اپتیک) که در درمانگاه نوروافتالمولوژی بیمارستان فارابی تحت درمان قرار گرفته اند، صورت گرفت. سگمنتاسیون و ضخامت لایه هایRNFL توسط سه روش متفاوت، شامل روش دستی توسط فرد ماهر، سگمنتاسیون اتوماتیک و استاندارد دستگاه هایدلبرگ و سگمنتاسیون توسط هوش مصنوعی (conventional neural network) بررسی و مقایسه شدند. اطلاعات بدست آمده توسط نرم افزار SPSS نسخه 23 تحليل شد.نتایج: در بررسی تصاویر نرمال و گروه Optic neuritis (ON)، سه روش اندازه گیری تفاوت معنی داری در مقدار ضخامت RNFL نداشتند و همبستگی بالایی با هم نشان دادند ولی در گروهNAION، ضخامت RNFL سگمنتاسیون اتوماتیک OCT (64.4 ± 21.3 µm ) با مقادیر سگمنتاسیون دستی (69.7 ± 19.3) و سگمنتاسیون توسط U-net (70.5 ± 19.4 µm) تفاوتی معنی دار داشت ولی سگمنتاسیون U-net و سگمنتاسیون دستی تفاوتی با یکدیگر نداشتند بحث و نتیجه گیری: در این پایان نامه برای اولین بار، الگوریتم U-net هوش مصنوعی طراحی گردید که در آن سگمنتاسیون خودکار لایه RNFL در بیماران با آتروفی عصب اپتیک در زمینه ON و AION را انجام داده و نتایج آن را با روش دستی و روش اتوماتیک دستگاه OCT مقایسه کرده ایم. عملکرد مدل U-net در بیماران AIONدر مقایسه با روش اتوماتیک دستگاه OCT عملکرد بهتری دارد و خطای سگمنتاسیون کمتری در آن مشاهده شده و دقتی مشابه با روش دستی دارد. در آینده، این مدل U-Net می تواند برای حل خطاهای تقسیم خودکار لایه های مختلف شبکیه و عصب اپتیک و همچنین کمک به پزشکان و محققام در تفسیر تصاویر OCT استفاده شود.
موضوع (اسم عام یاعبارت اسمی عام)
عنصر شناسه ای
هوش مصنوعی
عنصر شناسه ای
Artificial intelligence
داده رابط بین فیلدها
a14
داده رابط بین فیلدها
a14
موضوع مستند نشده
RNFL segmentation
موضوع مستند نشده
Deep machine learning
موضوع مستند نشده
conventional neural network
موضوع مستند نشده
Optic atrophy
موضوع مستند نشده
آتروفی بینایی
موضوع مستند نشده
لایه RNFL شبکیه
موضوع مستند نشده
تکنیک هوش
موضوع مستند نشده
عصب اپتیک
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
کد نقش
، پدیدآور
مستند نام اشخاص تاييد نشده
هدایتی، احسان
نام شخص - ( مسئولیت معنوی درجه دوم )
کد نقش
، استاد راهنما
کد نقش
، استاد مشاور
مستند نام اشخاص تاييد نشده
اقصایی فرد، مسعود
مستند نام اشخاص تاييد نشده
سیدصفی زاده، مونا
شناسه افزوده (تنالگان)
عنصر شناسه اي
دانشگاه علوم پزشکی تهران، دانشکده پزشکی
مبدا اصلی
کشور
ایران
تاريخ عمليات
20221128
شماره دستیابی
شماره بازیابی
۱۳۸۶۴ت
داده هایی که از فرمت مبدا برگردانیده نشده است
شماره فيلد فرمت مبدا
دانشگاه علوم پزشکی تهران، کتابخانه دانشکده پزشکی
وضعیت انتشار
فرمت انتشار
p
اطلاعات رکورد کتابشناسی
نوع ماده
TF
کد کاربرگه
92029
اطلاعات دسترسی رکورد
سطح دسترسي
a
تكميل شده
Y
