تشخیص بیماری تیروئید با استفاده از شبکه های عصبی

دانلود مقاله درمورد تشخیص بیماری تیروئید با استفاده از شبکه های عصبی

52 صفحه word – قابل ویرایش

مناسب رشته : مهندسی کامپیوتر

گرایش : نرم افزار

فهرست مطالب :

• فصل اول:کلیات
• 1-1-مقدمه
• 1-2-بیان مساله
• 1-3-ضرورت و اهمیت تحقیق
• 1-4-اهداف
• 1-5-تاریخچه
• فصل دوم: مفاهیم نظری
• 2-1-بیماری تیروئید
• 2-2-داده کاوی
• 2-2-1-داده کاوی در صنعت پزشکی
• 2-3-الگوریتم های پایه جهت دسته بندی
• 2-3-1-شبکه عصبی
• 2-4-مزایای استفاده از شبکه های عصبی
• 2-5-معایب استفاده از شبکه های عصبی
• 2-6-انواع یادگیری شبکه های عصبی
• 2-6-1-نحوه عملکرد شبکه های عصبی مصنوعی
• 2-7-یادگیری و بهبود کارایی در دسته بندی داده های نامتوازن
• 2-8-حافظه کوتاه مدت طولانی
• 2-9-مرور شبکه های عصبی بازگشتی
• 2-10-تشخیص بیماری
• 2-11-روش کامینز
• 2-11-1-تعیین تعداد خوشه ها
• 2-12-مدل Narive bayes
• 2-13-ماشین یادگیری مدل Trees Random Forest
• 2-14-ماشین یادگیری مدل AdaBoost
• فصل سوم:پیشینه تحقیق
• فصل چهارم: بحث ونتیجه گیری
• 4-1-جمع بندی و بحث
• 4-2-نتیجه گیری کلی
• منابع

چکیده ای از این مقاله :

غده تیروئید یکی از غدد حیاتی بدن است که به طور غیرمستقیم روی تمام ارگانیسم های بدن مانند قلب، کلیه و غیره اثر دارد. این غده از یُد موجود در غذاها، هورمون تیروئید را تولید و سرعت متابولیسم را کنترل می‌کند.درنتیجه، کمبود هورمون های تیروئیدی و اضافه شدن آنها موجب تغییرات عمیق در تنظیم عملکرد قلب و همودینامیک قلب و عروق می شود. هیپرتیروئیدیسم با افزایش ضربان قلب، میزان فشار خون، حجم سکته مغزی، انقباض قلب و فاکتور خروج مشخص می شود.

هدف این مطالعه بهبود کارایی و تشخیص دقیق بیماری تیروئید است که از طریق انتخاب ویژگی های کلیدی در شبکه عصبی و یادگیری ماشین می باشد که درصد خطای شبکه عصبی با تعداد ویژگی های متفاوت را مقایسه کرده و بهترین حالت ویژگی های کلیدی که باعث کاهش درصدخطا، بالابردن سرعت آموزش و کم کردن تعداد آموزش می شود را پیدا کند. با استفاده از اطلاعات افراد(سالم یا بیمار) برای یادگیری شبکه عصبی مصنوعی می‌توان به درست تشخیص دادن این بیماری رسید.