1. به نام خدا

2. شبکه های عصبی و کاربرد آن در پزشکی
کنفرانس درس کاربرد فن آوری اطلاعات در پزشکی
استاد گرامی:جناب آقای دکترتوحید خواه
دستیار محترم:جناب آقای دکتر احمدی پژوه
گرد آورندگان: نسرین اسلامی-لیلا مرادی
شماره دانشجویی:

3. شبكه هاي عصبي
مقدمه
انسانها از زمانهاي بسيار دور سعي بر آن داشتند که بيوفيزيولوژي مغز را دريابند،چون همواره مسئله هوشمندي انسان و قابليت يادگيري، تعميم، خلاقيت، انعطاف‌پذيري و پردازش موازي در مغز براي بشر جالب بوده و بکارگيري اين قابليتها در ماشينها بسيار مطلوب مي نمود. روشهاي الگوريتميک براي پياده سازي اين خصايص در ماشينها مناسب نمي‌باشند.
شبکه‌هاي عصبي مصنوعي (Artificial Neural Network) الگويي براي پردازش اطلاعات مي‌باشند که با تقليد از شبکه هاي عصبي بيولوژيکي مغز انسان ساخته شده‌اند. ANNشاخه اي از فيلد هوش مصنوعي و يا سيستمهاي خبره مي باشد كه با منطق فازي مرتبط مي باشد

4. شبكه هاي عصبي
تاریخچه
اولين کوششها در شبيه سازي با استفاده از يک مدل منطقي توسط مک کلوک و والتر پيتز انجام شد که امروز بلوک اصلي سازنده‌ي اکثر شبکه هاي عصبي مصنوعي است
در 1958 شبکه پرسپترون توسط روزنبلات معرفي گرديد. اين شبکه نظير واحدهاي مدل شده‌ي قبلي بود. پرسپترون داراي سه لايه به همراه يک لايه وسط که به عنوان لايه پيوند شناخته شده مي‌باشد است.
سيستم ديگر مدل خطي تطبيقي نرون يا Adalaline (Adaptive linear element ) در 1960 توسط ويدرو و هاف ( دانشگاه استنفورد ) بوجود آمد اولين شبکه هاي عصبي بکار گرفته شده در مسائل واقعي بوده‌اند.
در 1969 مينسکي و پاپرت کتابي نوشتند که محدوديتهاي سيستمهاي تک لايه و چند لايه پرسپترون را تشريح کردند
ورباس در 1974 شيوه آموزش پس انتشار خطا يا Back Propagation را ايجاد کرد که يک شبکه پرسپترون چند لايه البته با قوانين نيرومندتر آموزشي بود.

5. روش کار نرون ها
طرز كار يك مدل سلول عصبي بدين صورت است كه خطوط يا كانالهاي ورودي سيگنالهاي تحريكي يا مهاري را كه همان پارامترهاي تعريف كننده سيستم هستند به جسم سلولي يا گره هاي عصبي مي آورند مثلاً غلظت يك ماده mol/lit0.6 است. اين پارامتر به عنوان يك سيگنال الكتريكي با شدت ./6 به يك كانال ورودي مي رود در ابتداي هر كانال يك ضريب عددي ( وزن سيناسپي ) وجـود دارد كـه شـدت تـحريك در آن ضــرب مي شود . اگر مثبت باشد يك ســـيگنال تحريـكي و اگـر منفي باشد يك سيگنال مهاري است اين سيگنال هاي تحريكي يا مهاري كه از ورودي هاي مختلف به جسم سلولي مي رسند با هم به صورت خطي جمع مي گردد . اگر از ميزان آستانه كمتر باشد سلول عصبي خاموش شده و در غير اين صورت fire ( شليك ) مي شود و جريان الكتريكي ثابتي در خروجي ايجاد مي كند كه به سلولهاي ديگر وارد مي شود

6. مدل ریاضی

7. پیاده سازی الکترونیکی نرون ها

8. آموزش شبکه های عصبی روش supervised
از مجموعه‌ شناخته‌شده‌اي از داده‌هاي ورودي و خروجي‌هاي متناظر آنها (training set data) براي آموزش دادن شبكه استفاده مي‌شود. در چنين فرايندي، پس از اعمال مجموعه‌هاي داده‌هاي آموزشي، پارامترهاي شبكه به تدريج به سمت مقادير نهايي خود همگرا مي‌شوند.شبكه‌هاي عصبي قادر به يافتن الگوهايي در اطلاعات هستند كه هيچكس، هيچگاه از وجود آنها اطلاع نداشته است
روش unsupervised
شبكه‌ عصبي بدون در اختيار داشتن داده‌هاي خروجي، در معرض آموزش قرار مي‌گيرد. در واقع سيستم به تنهايي و بدون كمك خارجي بايد با توجه به شكل سيگنال‌هاي خروجي خود، درباره درستي و نادرستي آنها تصميم‌گيري نمايد
به عنوان مثال گفته مي‌شود كه شرايط جنگي به دليل فراواني پارامترها و تكنيك‌هاي نظامي متغير و پيشرفت‌هاي تكنولوژي نظامي، از نمونه مواردي است كه در آنها به هيچ وجه نمي‌توان مجموعه داده‌هاي آموزشي كافي به دست آورد

9. مکانیزم تنظیم وزن قانون دونالد هوب
اگر خروجی فعال است مقدار وزنی را که ورودی مربوط به آن نیز فعال است را افزایش بده
Wi=Σ(p=1) Xip Yp
مثال x1^x2:
x1 x y net
w=[1 1]
اگر خروجی محدود کننده سخت باشد و یک انحراف 1.5 به کار گرفته شود جواب تقریبا درست است.
[w]=[X]T [Y]

10. معایب شبکه های عصبی
در مواردي ممكن است كه شبكه‌ عصبي اصولاً موفق به فراگيري نشود. بدين معني كه پارامترهاي شبكه پس از زمان‌هاي طولاني به مقدار مشخصي همگرا نشود. چنين مواردي ممكن است بر اثر ناكافي بودن داده‌هاي آموزشي و يا اصولاً نقص طراحي شبكه ايجاد شوند.
مواردي در عمل وجود دارند كه شبكه عصبي مشخصي، بر اثر آموزش بيش از حد، اصطلاحا over trained شود. توجه داشته باشيد كه فرايند آموزش شبكه‌هاي عصبي فقط به ازاي زير مجموعه‌اي از داده‌هايي كه قرار شبكه آنها را در كاربرد حقيقي خود پردازش كند، آموزش داده مي‌شوند. درصورتي‌كه تعداد داده‌هاي آموزشي يك شبكه عصبي بيش از اندازه زياد باشد (در واقع از تمامي داده‌هاي مسئله براي آموزش دادن به شبكه استفاده شود)، شبكه عصبي به جاي آنكه آموزش ببيند، به حالتي مي‌رسد كه به آن حفظ كردن اطلاعات مي‌گويند. در واقع به جاي آنكه يك شبكه عصبي براي حل مسئله از هوش خود كمك بگيرد، از محفوظات خود استفاده مي‌كند!

11. مزایا شبکه های عصبی تحمل خطا يادگيري تطبيقي خود سازماندهي دسته بندي
  دسته بندي
عملگرهاي بلادرنگ
تعميم دهي

12. ادامه مزایا شبکه های عصبی
    محاسبه يک تابع معلوم
      تقريب يک تابع ناشناخته
      شناسائي الگو
      پردازش سيگنال
يادگيري انجام موارد فوق
شبکه عصبي چه قابليتهائي دارد
خطا در داده هاي آموزشي وجود داشته باشد
مواردي که نمونه ها توسط مقادير زيادي زوج
ويژگي-مقدار نشان داده شده باشند
تابع هد ف داراي مقادير پيوسته باشد
زمان کافي براي يادگيري وجود داشته باشد
نيازي به تعبير تابع هدف نباشد
مسائل مناسب براي يادگيري شبکه هاي عصبي

13. انواع شبکه های عصبی 1. پرسپترون 2. هاپفيلد 3. همينگ
مقايسه اي کلي مابين آنها :
1. شبکه پرسپترون جوابها را کد مي کند و خروجي از ورودي بدون هيچگونه فيدبکي محاسبه مي گردد.
2. شبکه همينگ به پاسخ مناسب منتهي شده و همواره به يکي از الگوهاي مرجع همگرا مي شود، و
الگويي را که بيشترين تشابه را با ورودي مرجع دارد انتخاب مي کندبه نوعي بهترين جواب ممکن را مي دهد.).اين شبکه اساسا براي الگوهاي باينري مي باشد).
3. شبکه هاپفيلد به الگويي همگرا مي شود که ممکن است جزو الگوهاي ذخيره شده نباشد

14. شبکه عصبي برمبناي پرسپترون
شبکه عصبي برمبناي پرسپترون
ياگيري پرسپترون عبارتست از:
پيدا کردن مقادير درستي براي W

15. ادامه پرسپترون
پريسپترون را ميتوان بصورت يک سطح تصميم hyperplane در فضاي n بعدي نمونه ها در نظر گرفت.
پرسپترون براي نمونه هاي يک طرف صفحه مقدار 1 و براي مقادير طرف ديگر مقدار -1 بوجود مياورد
محدودیت پرسپترون
يک پرسپترون فقط قادر است مثالهائي را ياد بگيرد که بصورت خطي جداپذير باشند

16. یادگیری پرسپترون
قانون پرسپترون
قانون دلتا

17. الگوريتم يادگيري پرسپترون
1.مقاديري تصادفي به وزنها نسبت ميدهيم
2.پريسپترون را به تک تک مثالهاي آموزشي اعمال ميکنيم. اگر مثال غلط ارزيابي شود مقادير وزنهاي پرسپترون را تصحيح ميکنيم.
3.آيا تمامي مثالهاي آموزشي درست ارزيابي ميشوند:
بله  پايان الگوريتم
خيربه مرحله 2 برميگرديم
4.براي يک مثال آموزشيX = (x1, x2, …, xn) در هر مرحله وزنها بر اساس قانون پريسپتون بصورت زير تغيير ميکند:
wi = wi + Δwi
Δwi = η ( t – o ) xi
t: target output
o: output generated by the perceptron
η: constant called the learning rate (e.g., 0.1)

18. الگوريتم يادگيري دلتا
وقتي که مثالها بصورت خطي جداپذير نباشند قانون پرسپترون همگرا نخواهد شد. براي غلبه بر اين مشکل از قانون دلتا استفاده ميشود.
ايده اصلي اين قانون استفاده از gradient descent براي جستجو در فضاي فرضيه وزنهاي ممکن ميباشد. اين قانون پايه روش Backpropagation است که براي آموزش شبکه با چندين نرون به هم متصل بکار ميرود.

19. شبکه های چند لایه بر خلاف پرسپترونها شبکه هاي چند لايه ميتوانند
براي يادگيري مسائل غير خطي و همچنين مسائلي
با تصميم گيري هاي متعدد بکار روند.
براي اينکه بتوانيم فضاي تصميم گيري را بصورت
غير خطي از هم جدا بکنيم، لازم است تا هر سلول واحد
را بصورت يک تابع غير خطي تعريف نمائيم
.مثالي از چنين سلولي ميتواند يک واحد سيگموئيد باشد

20. الگوريتم Back propagation
در اين روش با استفاده از gradient descent سعي ميشود تا مربع خطاي بين خروجي هاي شبکه و
تابع هدف مينيمم شود.
روش gradient descent سعي ميکند تا با مينيمم کردن خطا به فرضيه مناسبي دست پيدا کند.
اما تضميني براي اينکه اين الگوريتم به مينيمم مطلق برسد وجود ندارد.

21. ادامه الگوريتم Back propagation
1. شبکه اي با ninگره ورودي، nhidden گره مخفي، و nout گره خروجي ايجاد کنيد.
2. همه وزنها را با يک مقدار تصادفي کوچک عدد دهي کنيد.
3. تا رسيدن به شرط پاياني ) کوچک شدن خطا( مراحل زير را انجام دهيد:
براي هر xمتعلق به مثالهاي آموزشي:
مثال X را به سمت جلو در شبکه انتشار دهيد
خطاي E را به سمت عقب در شبکه انتشار دهيد.
هر مثال آموزشي بصورت يک زوج (x,t) ارائه ميشود که بردار x مقادير ورودي
و بردار t مقادير هدف براي خروجي شبکه را تعيين ميکنند.

22. ادامه الگوريتم Back propagation
انتشار به سمت جلو
برای هر مثال مقدار خروجی هر واحد را محاسبه کنید تا به گره های خروجی برسید.
انتشار به سمت عقب
برای هر واحد خروجی خطا این طور محاسبه می شود:
δk = Ok (1-Ok)(tk – Ok)
برای هر واحد مخفی خطا بدین صورت محاسبه می شود:
δh = Oh (1-Oh) Σk Wkh δk
مقدار وزن بدین صورت تغییر داده می شود:
Wji = Wji + ΔWji که در آن:
ΔWji = η δj Xji
عبارت است از نرخ يادگيري η

23. ادامه الگوريتم Back propagation
شرایط توقف
توقف بعد از تکرار به دفعات معين
توقف وقتي که خطا از يک مقدار تعيين شده کمتر شود.
توقف وقتي که خطا در مثالهاي مجموعه تائيد از قاعده خاصي پيروي نمايد.

24. جمع بندی Back propagation
1.اين الگوريتم يک جستجوي gradient descent در فضاي وزنها انجام ميدهد.
2.ممکن است در يک مينيمم محلي گير بيافتد.
3.در عمل بسيار موثر بوده است.

25. كاربرد شبكه هاي عصبي در پزشكي
ANN ها برای مشکلات بیو مدیکال برنامه های کاربردی گسترده ای در آینده ارائه خواهند کرد و در حال حاضر به طور موفقیت آمیز در زمینه های مختلف پزشکی مثل سیستم های تشخیص ، آنالیز های شیمی-پزشکی ، آنالیز تصویر ، پیشرفتهای دارویی استفاده شده اند. 25

26. فرايند آموزش شبکه
براي ايجاد و آموزش شبکه هاي عصبي ميتوان از نرم افزار Neural works predict که بوسيله Neuralware انتشار يافته اسفاده کرد 26

27. مراحل مجموعه داده آموزش و آزمايش آناليز داده اي انتقال داده
مجموعه داده آموزش و آزمايش
آناليز داده اي
انتقال داده
انتخاب متغير ورودي
آموزش شبکه عصبي 27

28. سيستم های تشخيص
ANN ها به طور گسترده ای در سیستم های تشخیصی به کار برده میشود به طور عادی برای کشف سرطان و مشکلات قلبی کاربرد دارند. مزایای استفاده از ANN ها این است که تحت تاثیر عوامل خستگی ،شرایط کاری و موقعیت های عاطفی قرار نمیگیرند .
تشخیص سرطان سینه
بررسی سیگنال EEG برای تشخیص مراحل خواب 28

29. آنالیز شیمی- پزشکی
ANN ها در یک تنوع گسترده از برنامه های کاربردی تحلیل شیمی استفاده میشود. در پزشکی برای آزمایش خون نمونه ادرار ،سطوح شیارهای گلوکز در دیابتیک ها، تعیین سطوح در مایعات بدن ،تعیین شرایط پاتولوژی مثل سل استفاده شده اند.
تشخیص بیماری سل
تشخیص هوشمند بیماری دیابت 29

30. آنالیز تصویر
ANN ها در آنالیز تصاویر پزشکی با کیفیت های متفاوت و متنوع به کار گرفته میشود برنامه های کاربردی در این زمینه شامل کشف تومور در Veltra-Sonogram ، دسته بندی X-Ray های سینه ،دسته بندی بافت و ماهیچه در MRI تعیین شکل استخوان بندی از عکسهای X-Ray و تعیین بلوغ مغزی می باشند 30

31. استفاده دارویی
ANN هابه عنوان ابزار هایی در توسعه داروها برای درمان سرطان و ایدز استفاده شده اند. ANN ها در پروسه مدل کردن بیومولکول ها به کار گرفته میشود. 31

32. مدل سازی سیستم های قلبی-عروقی
شبکه های عصبی به طور آزمایشی برای مدل کردن سیستم قلبی- عروقی انسان استفاده شده اند. تشخیص می تواند به وسیله ساختن یک مدل از سیستم قلبی- عروقی یک شخص منحصر به فرد و مقایسه آن با داده های پزشکی که از بیمار گرفته شده بدست آید.
اگر مطابق با این روتین پتانسیل آسیب پذیری بیمار در مراحل اولیه کشف شده و بنابراین روند برخورد با بیماری خیلی آسان تر میشود. یک مدل از یک سیستم قلبی-عروقی خاص باید روابط بین متغیر های پزشکی { فرکانس قلب، فرکانس تنفس،...}در سطوح مختلف فعالیت را تقلید کند. مدل متعلق به یک فرد خاص عملکرد سیستم قلبی- عروقی آن فرد را شبیه سازی میکند.لازم است شبیه ساز با توجه به ویژگی های هر شخص سیستم قلبی- عروقی او را بدون نیاز به یک فرد خبره مدل سازی کند، به همین دلیل نیاز به شبکه های عصبی است.
مزایایی که چنین سیستم ها میتوانند پیشنهاد بدهند واضح است مردم میتوانند برای بیماری ها ی قلبی به صورت سریع و بدون درد چک شوند و بنابراین بیماری در مراحل اولیه تشخیص داده میشود،البته سیستم نیاز به پزشکان را رد نمیکند ازآنجا که افراد خبره مورد اعتماد تر هستند.
دلیل دیگری که استفاده از تکنولوژی ANN را توجیه میکند توانایی ANN ها در آمیزش سنسورها میباشد.(ترکیب مقادیر از چند سنسور متفاوت). آمیزش سنسور ANN ها را قادر میسازد تا روابط پیچیده ای میان مقادیر سنسورهای مجزا را یاد بگیرد که در صورت تحلیل شدن به صورت مجزا از بین خواهند رفت.ANN ها قادرند شرایط پزشکی پیچیده را با آمیزش داده ای از سنسور های منحصر به فرد بیومدیکال کشف کنند. 32

33. بویايی الکترونیکی
ANN ها به طور آزمایشی برای پیاده سازی بویایی الکترونیکی استفاده شده اند. بویایی الکترونیکی ظرفیت زیادی برای برنامه های کاربردی در پزشکی از راه دور دارد.بویایی الکترونیکی میتواند رایحه را در محیط های جراحی متحرک تشخیص دهد. این بوی تشخیص داده شده به صورت الکترونیکی به قسمت دیگر منتقل میشود تا به وسیله سیستم های باز تولید بو بازسازی شود. با توجه به این که حس بویایی اهمیت زیادی برای جراحی دارد بویایی از راه دور حایز اهمیت است 33

34. شناخت الگو
پاتولوژی یک تکنیک تصویرگری است که با طبیعت بیماری ها (تغییرات ساختاری و عملکردی در بافت ها ) در ارتباط میباشد. احتیاج آن به رنگ و کیفیت ، استفاده از تکنولوژی عکسهای دیجیتالی را برای اجرا دشوار میسازد.
شناخت الگو یک ایده برای دسته بندی دادهای ورودی به کلاس های قابل شناسایی بوسیله خصوصیت مهم داده است. که این مشخصات این طرح از جزئیات بی ربط گرفته میشود.
دلیل استفاده از شبکه های عصبی در شناخت الگو به خاطر توانایی آنها در یادگیری و ذخیره دانش است. 34

35. یک نمونه پزشک
یک برنامه کاربردی که در اواسط سال 1980 تولید شد" یک نمونه پزشک "نامیده شدکه به عنوان یک کمک اتوماتیک برای حافظه از جنس شبکه های عصبی برای ذخیره تعداد زیادی از پروندهای پزشکی ،که هر کدام از آنها شامل اطلاعاتی از علائم ،تشخیص ها و درمان برای یک مورد بخصوص بود، استفاده میشد.بعد از آموزش شبکه میتوانست با یک مجموعه از علائم بهترین تشخیص و درمان را ارائه دهد. 35

36. نتیجه گیری
ANN ها سوژه های زیادی برای پزشکی مدرن دارند. در حال حاضر به طور عمده برای تشخیص الگو با استفاده از تصاویر استفاده میشوند ولی تجربه هایی در حال انجام هستند که از ANN ها برای شبیه سازی قسمت هایی از بدن انسان استفاده میکنند.فرکانس های محاسبه بالا در ANN ها یک مسئله حیاتی برای تله مدیسن است. ANN هیچ وقت جای انسان خبره را نمیگیرد اما می تواند برای اطمینان بیشتر افراد خبره استفاه شود. 36

37. با تشکر از توجه و حو صله شما
پایان