---

مقدمه: تشخیص دقیق و زودهنگام تومورهای مغزی از تصاویر MRI نقش حیاتی در بهبود پیش‌آگهی و برنامه‌ریزی درمانی برای بیماران ایفا می‌کند. با این حال، تفسیر دستی تصاویر MRI زمان‌بر بوده و مستعد خطای انسانی است. این مطالعه با هدف ارائه و ارزیابی یک روش خودکار و کارآمد مبتنی بر الگوریتم YOLOv۸ و یادگیری عمیق برای تشخیص تومورهای مغزی در تصاویر MRI انجام شده است. مواد و روش‌ها: در این مطالعه، مدل YOLOv۸ با استفاده از مجموعه داده‌ شامل ۵۰۰ تصویر MRI برپسب گذاری شده از تومورهای مغزی آموزش داده شد. عملکرد مدل بر روی مجموعه داده‌های ارزیابی و امتحانی با استفاده از معیارهای Precision، Recall و AP۵۰ مورد بررسی قرار گرفت. آموزش مدل در محیط Google Colab با استفاده از GPU Tesla T۴ و در ۱۰۰ تکرار انجام شد. یافته‌ها: نتایج نشان داد که الگوریتم YOLOv۸ آموزش دیده به دقت و سرعت بالایی در تشخیص تومورهای مغزی دست یافته است. مقادیر AP۵۰ به دست آمده بر روی داده‌های ارزیابی (۹۴/۵) و امتحانی (۹۴/۶) و همچنین مقادیر بالای Precision و Recall، گواهی بر عملکرد قوی و پایدار مدل در شناسایی تومورها بود. بررسی کیفی تصاویر نمونه نیز دقت بالای الگوریتم در مکان‌یابی و تشخیص تومورها را تایید کرد. زمان آموزش کوتاه و سرعت بالای تشخیص، از دیگر مزایای الگوریتم YOLOv۸ در این مطالعه بودند. نتیجه‌گیری: پژوهش حاضر نشان داد که الگوریتم YOLOv۸ پتانسیل قابل توجهی برای تشخیص خودکار و کارآمد تومورهای مغزی در تصاویر MRI دارد. تعادل مناسب بین دقت و سرعت، و همچنین تعمیم‌پذیری خوب مدل، YOLOv۸ را به یک ابزار کمکی ارزشمند برای رادیولوژیست‌ها در تشخیص سریع‌تر و دقیق‌تر تومورهای مغزی تبدیل می‌کند. مطالعات آتی بر افزایش حجم داده‌های آموزشی، بهبود معماری مدل و ارزیابی بالینی روش پیشنهادی تمرکز خواهند داشت.
 

---

مقدمه: امروزه سازمان‌ها و موسسات پیچیده بدون برنامه‌ریزی دقیق و انتخاب روش مناسب امکان ادامۀ حیات ندارند، که این امر مستلزم شناخت صحیح موقعیت سازمان است. تحلیل عملکردی، این سازمان‌ها را قادر می‌سازد که استراتژی‌هایی را به اجرا درآورند که نقاط قوت داخلی را تقویت کنند و موانع و ضعف‌های داخلی را کاهش دهند یا برطرف کنند. لذا هدف از انجام این بررسی، تحلیل محیط درونی بیمارستان خاتم الانبیاء بر مبنای مدل شناخت سازمانی وایزبورد به منظور ارتقای فعالیت‌های بیمارستان است. مواد و روش‌ها: این پژوهش مقطعی و توصیفی -کاربردی در بیمارستان خاتم‌ الانبیای تهران در سال ۱۳۹۳ انجام شده است. داده‌ها با استفاده از پرسشنامۀ استاندارد شناخت سازمان و مدل شش بعدی وایزبورد گردآوری شدند. بررسی بر روی ۳۱۲ نفر از ۱۶۴۵ نفر کارکنان بیمارستان خاتم الانبیای تهران انجام گردید. تحلیل داده‌ها با استفاده از نسخۀ ۱۹ نرم افزار SPSS، آمارهای توصیفی و آزمون t یک دامنه انجام شد. یافته‌ها: نتایج حاکی از ارتباط معنی‌دار مثبتی بین ابعاد مختلف بود. بین ابعاد داخلی، مؤلفۀ پاداش بیشترین امتیاز و هدف‌گذاری سازمانی کمترین امتیاز را داشتند. نتیجه گیری: از نظر گستردگی و پیچیدگی، هیچ سازمانی مشابه یک بیمارستان نیست. از این رو، انجام پژوهش ادواری، به منظور شناخت بهتر سازمان، اخذ تصمیمات صحیح و در راستای بهبود عملکرد و ارتقاء کارایی بیمارستان توصیه می‌گردد. اتخاذ تصمیمات مؤثر بدون یک بررسی اجمالی صحیح غیرممکن است.

---

لطفاً به لینک انگلیسی مراجعه شود.

---

لطفا به لینک انگلیسی مراجعه شود.

---

---

مقدمه: اختلال طیف اتیسم یک اختلال تکامل ذهنی است که در سال‌های اولیه زندگی رخ می‌‏دهد و با اختلالات اجتماعی، مشکلات ارتباطی کلامی و غیرکلامی و همچنین بروز رفتارهای کلیشه‌ای مشخص می‌شود. توانبخشی کودکان اتیستیک در مراحل آغازین رشد که انعطاف‌پذیری مغز بالاست؛ منجر به بهبود روند درمان شده و امکان بهره‌برداری از استعدادهای آن‌ها را فراهم می‌‏آورد. به عبارت دیگر تشخیص و درمان دیرهنگام، عملکرد غیرقابل تغییر این کودکان را تا بزرگسالی در پی خواهد داشت. با توجه به نقش چشم‌ها به‌عنوان یکی از ارزشمندترین منابع اطلاعاتی در تعاملات اجتماعی و الگوی متفاوت رفتارهای چشم در کودکان اتیستیک در پاسخ به محرک‏های اجتماعی، روش غیرتهاجمی ردیابی چشم رویکردی مناسب در تشخیص زودهنگام این اختلال به شمار می‌‏رود. بدین ترتیب می‌توان چگونگی پردازش محرک‏‌های بصری در افراد مبتلا به اختلال طیف اتیسم در سنین مختلف را مورد بررسی قرار داد. نتیجه‌گیری: پژوهش حاضر مروری بر پژوهش‏‌های انجام شده در زمینه تحلیل داده‏‌های ردیابی چشم به‌منظور شناسایی الگوی حرکت چشم در پاسخ به محرک‌های اجتماعی در کودکان اتیستیک و عادی است. نتایج پژوهش‏‌های انجام شده تایید می‌‏کنند که ردیابی چشم رویکردی مؤثر در تشخیص الگوهای رفتاری متفاوت چشم در کودکان اتیستیک در مقایسه با کودکان عادی می‏‌باشد. این تفاوت‌‏ها می‏‌توانند مبنایی برای ایجاد سیستم‌‏های هوشمند غربالگری کودکان مبتلا به اتیسم باشند.

---

مقدمه: هدف اصلی این مطالعه ارائه روشی برای تشخیص زودهنگام بیماری آلزایمر است. این بیماری با از بین بردن سلول های عصبی در سیستم عصبی و کاهش ارتباطات و فعل و انفعالات عصبی، عملکرد حافظه را کاهش می‏دهد. مواد و روش‌ها: سطح این بیماری باید با توجه به ارتباط این بیماری با ویژگی‌های مختلف در سیگنال مغزی و تصاویر پزشکی تشخیص داده می‌شود. ابتدا با پیش پردازش مناسب، خواص غیر خطی مانند نمودار فاز، بعد همبستگی، آنتروپی و نمای لیاپانوف استخراج شده و جهت طبقه‌بندی از شبکه عصبی المن استفاده شده است. سپس صحت عملکرد شبکه عصبی المن با شبکه عصبی کانالوشنی مقایسه شده است. استفاده از روش‌های یادگیری عمیق از جمله شبکه عصبی کانالوشنی، می‌تواند نتایج مناسب‌تر و دقیق‌تری در میان سایر روش‌های طبقه‌بندی داشته باشد. یافته‌ها: در حالت استفاده از دو شبکه CNN و یک شبکه MLP صحت نتایج در افراد سالم ۹۸ درصد و در افراد بیمار خفیف ۹۷/۷ درصد و در افراد بیمار شدید ۹۷/۵ درصد بدست آمده است. در حالت استفاده از یک شبکه CNN با ترکیب ویژگی‌ها سیگنال مغزی و تصاویر پزشکی در حالت تحریک صحت نتایج در افراد سالم ۹۵ درصد و در بیماران خفیف ۹۲/۵ درصد و در بیماران شدید ۹۷/۵ درصد می‌باشد، در حالت یادآوری صحت نتایج در افراد سالم ۷۵ درصد و در بیماران خفیف ۷۲/۵ درصد و در بیماران شدید ۸۷/۵ درصد است. صحت نتایج در شبکه عصبی Elman با ترکیب ویژگی‌های سیگنال مغزی و تصاویر پزشکی ۹۴/۴ درصد و در حالت بدون ترکیب ویژگی‌ها، صحت نتایج ۹۲/۲ درصد شده است. نتیجه‌گیری: در بین روش‌های پردازشی ارائه شده جهت دسته‌بندی سه کلاس سالم، بیمار خفیف و بیمار شدید، روش ترکیب ویژگی‌های سیگنال مغزی و تصاویر پزشکی موجب افزایش صحت نتایج طبقه‌بندی کننده CNN و Elman شده است.

---

مقدمه: تعداد غیرمنتظره‌ای از افراد در معرض خطر ابتلا به بیماری آلزایمر قرار دارند. بنابراین، تلاش برای یافتن اقدامات پیشگیرانه موثر، شدیداً نیاز است. مواد و روش‌ها: برای تشخیص بیماری آلزایمر از طریق سیگنال‌های EEG با استفاده از شبکه عصبی مصنوعی، اولین مرحله شامل پیش‌پردازش داده‌های خام ثبت شده EEG است. این پیش‌پردازش شامل استفاده از فیلتر میانگذر ۰/۵ تا ۴۵ هرتز برای حذف تداخل سیگنال‌های الکتریکی برق شهر است. پس از  پیش‌پردازش داده، ویژگی استخراج خواهد شد. این ویژگی‌ها مربوط به حوزه‌های زمان و فرکانس است. تبدیل فوریه، آنالیز موجک، تحلیل مولفه اول، ویژگی‌های غیرخطی آنتروپی، بعد همبستگی و بعد فرکتال از جمله ویژگی‌های پیشنهادی هستند. ویژگی‌های استخراج شده با آنالیز واریانس یا آزمون تی مورد ارزیابی قرار خواهند گرفت. ویژگی‌هایی که توانایی تفکیک طبقات مختلف را داشتند و توزیع آماری بهتری در آنالیز واریانس یا آزمون t داشتند انتخاب می‌شوند. یافته‌ها: با توجه به قابلیت‌های شبکه عصبی مصنوعی در شناسایی الگوهای مختلف و دسته‌بندی اطلاعاتی که طی یک فرآیند یادگیری تنظیم می‌شود، در این تحقیق از شبکه عصبی مصنوعی برای تعیین نقشه‌برداری غیرخطی بین سیگنال‌های EEG و تشخیص بیماری آلزایمر استفاده می‌شود. پایگاه داده به دو دسته آموزشی و آزمایشی تقسیم شد. به عبارت دیگر شبکه عصبی مصنوعی با مشخصات سیگنال‌های ثبت شده به عنوان ورودی، بیمار یا سالم به عنوان خروجی شبکه عصبی و در نهایت خروجی شبکه عصبی مصنوعی آموزش دیده تشخیص داده‌های بیمار یا سالم است. در مرحله نهایی، عملکرد شبکه عصبی توسعه یافته مورد ارزیابی و مقایسه قرار خواهد گرفت. نتیجه‌گیری: استفاده از سیگنال‌های EEG و شبکه‌های عصبی مصنوعی می‌تواند روشی نوین برای تشخیص بیماری آلزایمر در مراحل اولیه آن باشد.
 

---