طبقه‌بندی سکته مغزی بر اساس روش یادگیری عمیق درسیستم تصویربرداری ریزموجی از مغز

یکی از عوامل رایج مرگ ومیر در دنیا که بیشتر افراد مسن در معرض آن هستند، سکته مغزی است. حدود 85 درصد از تمام سکته‌های مغزی، از نوع سکته مغزی ایسکمیک بوده و ناشی از خون ریزی داخلی بخشی از مغز است. با توجه به آمار بالای مرگ ومیر ناشی از سکته مغزی، تشخیص و درمان سریع سکته مغزی ایسکمیکی و سکته مغزی هموروژیک بسیار مهم است. در این مقاله یک سیستم تصویربرداری مایکروویو مغز، برای تشخیص خون ریزی داخل جمجمه کروی شکل با شعاع یک سانتی متر در نرم افزار  cstشبیه‌سازی و برای تصویربرداری از یک سری آرایه آنتن پروانه‌ای اصلاح شده در اطراف فانتوم سر چند لایه، استفاده شده است. برای داشتن ویژگی‌های تشعشی مورد نظر در محدوده باند فرکانسی 5/0 الی 5/5 گیگاهرتز، یک محیط تطبیق مناسب طراحی شده است. ابتدا در بخش پردازش از روش‌های بازسازی تصویر مانند الگوریتم‌های بیمفرمر تاخیر و جمع و همچنین تاخیر ضرب و جمع استفاده می‌شود. تصاویر بازسازی شده مفید بودن روش متداول پیشنهادی را در تشخیص هدف کروی در محدوده یک سانتی متر نشان می‌دهد. هدف اصلی این مقاله طبقه‌بندی سکته مغزی ایسکمیکی و هموروژیک با استفاده از رویکردهای یادگیری عمیق است. برای این منظور یک الگوریتم طبقه‌بندی تصویر برای تخمین نوع سکته از تصاویر بازسازی شده ایجاد می‌شود که در این راستا با استفاده از روش پیشنهادی یادگیری عمیق تصاویر بازسازی شده توسط یک ماشین بردار پشتیبان خطی چند کلاسه با ویژگی استخراج شده توسط یک شبکه عصبی کانولوشن آموزش می‌بینند. نتایج شبیه‌سازی شده عملکرد مناسب روش پیشنهادی را در تعیین محل دقیق اهداف خون‌ریزی با دقت 89 درصد و در مدت زمان 9 ثانیه نشان می‌دهد. علاوه بر این، روش پیشنهادی یادگیری عمیق به دلیل سردرگم نبودن سیستم در بین طبقات مختلف از نظر طبقه‌بندی عملکرد خوبی را نشان می‌دهد.

brain stroke classification based on deep learning approach in microwave brain imaging system

one of the main reasons of death in the world, mostly affecting seniors, is brain stroke. almost 85% of all brain strokes are ischemic due to internal bleeding in a part of the brain. due the high mortality rate, quick diagnosic and treatment of ischemic and hemorrhagic strokes are of utmost importance. in this paper, to realize microwave brain imaging system, a circular array based of modified bowtie antennas located around the multilayer head phantom with a spherical target with radius of 1 cm as intracranial hemorrhage target aresimulated in cst simulator. to obtain satisfied radiation characteristics in the desired band (from 0.5 5 ghz) an appropriate matching medium is designed. first, in the processing section, a confocal image reconstructing method based using delay and sum (das) and delay, multiply and sum (dmas) beam forming algorithms is used. the reconstructed images generated shows the usefulness of the proposed confocal method in detecting the spherical target in the range of 1 cm. the main purpose of this paper is stroke classification using deep learning approaches. for this, an image classification algorithm is developed to estimate the stroke type from reconstructed images. by using the proposed deep learning method, the reconstructed images are classified into different categories of cerebrovascular diseases using a multiclass linear support vector machine (svm) trained with convol uti onal neural networks (cnn) features extracted from the images. the simulated results show the suitability of the proposed image reconstruction method for precisely localizing bleeding targets, with 89% accuracy in 9 seconds. in addition, the proposed deep learning approach shows good performance in terms of classification, since the system does not confuse between different classes.