ارايه روشي جديد در طبقه‌بندي نتايج آنژيوگرافي با استفاده از شبكه عصبي مصنوعي

Presentation of a New Method for the Classification of Angiography Results Using Artificial Neural Networks

مقدمه: تحقيقات نشان مي‌دهد، معمولاً براي تشخيص بيماري عروق كرنري، آنژيوگرافي مورد اقبال بيشتري قرار گرفته است. در اين مقاله با استفاده از شبكه عصبي مصنوعي نتايج حاصل از آنژيوگرافي براي بررسي بسته بودن يا نبودن عروق كرنري قلب طبقه‌بندي شده است. روش پژوهش: اين تحقيق، در سال ???? در بيمارستان كوثر شيراز انجام شد. جامعه آماري اين پژوهش افرادي بودند كه در شهريور ماه سال ???? تحت آنژيوگرافي عروق كرنري قلب قرار گرفتند كه تعداد ??? نفر از اين افراد به‌طور تصادفي انتخاب شدند. در اين پژوهش از شبكه عصبي پرسپترون چند لايه (MLP) و شبكه عصبي احتمالي (PNN) براي طبقه‌بندي افراد به دو دسته سالم و بيمار استفاده شد. براي طراحي شبكه، از 85 درصد داده‌ها براي مرحله آموزش شبكه و 15 درصد باقي‌مانده براي مرحله آزمون شبكه استفاده شد. بزاي پياده‌سازي شبكه از امكانات و توابع موجود در نرم‌افزار متلب نسخه 0/12/7 بهره گرفته‌شده و در سيستم corei5 با پردازنده 2.4 GHz و حافظه 4GB تحت ويندوز 7 شبيه‌سازي انجام شده است. يافته‌ها: پس از شبيه‌سازي‌هاي انجام‌شده بر دو شبكه عصبي مصنوعي پرسپترون و احتمالي، شاخص‌هاي اختصاصيت (specificity) و حساسيت (sensitivity) در مرحله آزمون شبكه پرسپترون به ترتيب معادل اعداد88/0 و 1 ودر شبكه احتمالي به ترتيب معادل اعداد 94/0 و 1 به دست آمد.در مرحله آموزش شبكه عصبي احتمالي تنها از يك دور جهت آموزش شبكه استفاده شدكه اين از مزاياي شبكه عصبي احتمالي است درحالي‌كه در شبكه عصبي پرسپترون با ساختار به‌كاررفته در اين مقاله از 1000 دور جهت آموزش شبكه استفاده شد. نتيجه‌گيري: اختصاصيت و حساسيت به‌دست‌آمده در اين تحقيق نشان داد، استفاده از شبكه عصبي احتمالي مي‌تواند در طبقه‌بندي افراد به دو دسته سالم و بيمار و تشخيص سريع‌تر بيماري، با دقت بهتري نسبت به موارد مشابه عمل كند.

Abstract Introduction: Researches have shown that angiography is a more acceptable diagnostic tool for coronary artery diseases. In the present study, angiographic results were classified by artificial neural networks to determine whether coronary arteries are closed or not. Methods: The present study was performed at Kowsar Hospital in Shiraz in 2013. The study population consisted of individuals undergoing coronary artery angiography in August 2013; in total, 152 participants were randomly selected. In this study, multilayer perceptron (MLP) and probabilistic neural network (PNN) were utilized to classify subjects into two groups: patients and healthy participants. For network design, 85% of the data was used for network training and 15% for testing the network. For implementing the network, MATLAB software version 7.12.0 was used. The simulations were made using a 2.4 GHz Corei 5 system with 4 GB memory (Windows 7). Results: After performing simulations on MLP and PPN, indicators of specificity and sensitivity were 0.88 and 1 in the MLP test and 0.94 and 1 in PPN, respectively. PPN was trained in one round (the advantage of PPN), whereas MLP was trained in 1000 rounds. The comparison of the two networks showed that PPN has the potential to improve the accuracy and speed of classifying patients with coronary artery diseases. Conclusion: The calculated sensitivity and specificity showed that PPN can classify participants into two groups of healthy individuals and patients. Also, prompt diagnosis was made with higher accuracy, compared to similar cases.