پزشکی بالینی

شبكه عصبي و كاربرد در مهندسي و پزشكي

شبكه عصبي؛ ابزار هوشمند تشخيص

مجهز شدن علم پزشكي به ابزارهاي هوشمند در تشخيص و درمان بيماري‌ها مي‌تواند اشتباهات پزشكان و خسارت جاني و مالي را كاهش ‌دهد. در اين شماره كاربردهاي نوعي شبكه‌هاي عصبي در پزشكي مورد بررسي قرار مي گيرد. ابتدا مقدمه‌اي بر سوابق شبكه‌هاي عصبي در علم پزشكي بيان مي شود، سپس به بررسي روش‌هاي استفاده از شبكه‌هاي عصبي در تشخيص بيماري‌ها و كاربرد شبكه‌هاي عصبي پرداخته مي شود.

‌شبكه عصبي مصنوعي يا  (Artificial Neural Network (ANN يك نمونه سيستم پردازش است كه در آن از سيستم هاي عصبي بيولوژيك مانند مغز الهام گرفته شده است . عضو كليدي اين ساختار جديد سيستم پردازنده اطلاعات است كه تعداد زيادي از آن ها به صورت مجتمع مانند هورمون هاي مغز با يكديگر كار مي كنند تا بتوانند مسائل خاصي مانند تشخيص الگو يا طبقه بندي داده ها را از طريق فرايند يادگيري حل كنند. 
يادگيري در شبكه هاي عصبي به دو صورت  است:
1- تحت نظارت (Supervised)
2- بدون دخالت انسان (Unsupervised)
‌يادگيري در شبكه هاي عصبي رايج به شكل Supervised يا يادگيري تحت نظارت است. در واقع كار شــبكه هاي عصـبي مانند يادگيري كودكان است . با نشان دادن اشياء ماهيت هر شيء براي كودك مشخص مي شود.
ANN شاخه اي از زمينه هوش مصنوعي يا سيستم هاي خبره است كه با منطق فازي مرتبط است . يك شبكه عصبي مصنوعي مي تواند به عنوان يك جعبه سياه در نظر گرفته شود كه قادر است الگوهاي خروجي را پس از تشخيص الگوهاي ورودي گزارش دهد‌. شبكه هاي عصبي در واقع مثلثي هستند كه سه ضلع مفهومي دارند:
1-سيستم تجزيه و تحليل داده ها 
2-نورون يا سلول عصبي
3-شبكه يا قانون كار گروهي نورون ها
شبكه هاي عصبيمرحله اي موسوم به يادگيري دارند  كه شبيه مغز عمل مي كنند.
نورون‌ها با پردازشگرهاي شبكه به صورت غير مستقيم به كانال‌هاي ارتباطي مرتبط هستند  كه وظيفه حمل داده ها را بر عهده دارند و تنها بر روي داده هاي محلي خود كه به عنـوان ورودي از طـــريـق كــــانـال‌هاي ارتباطـي دريافت مي دارند، عمل مي كنند. اين شبكه‌ها به صورت  Multilayer هستند كه تعداد لايه هاي آن بستــگي به پيچيـدگي مسـئله دارند و تعـداد لايه ها و تعداد گره ها در هر لايه مخفي از پارامترهايي است كه توســط كاربر قابـل تنظيم اســت .هر چه تــعداد لايه ها بيشتر باشد سيستم قادر به درك پيچيدگي‌هاي بيشتري است .در اين شبـكه ها با پردازش موازي از طريق وزن ها سيناسپي داده ها راه خود را باز كرده و جلوي داده هاي  dump(داده هاي داراي خطا يا بي ربط ) گرفته مي شود.  طرز كار يك مدل سلول عصبي بدين صورت است كه خطوط يا كـانـال هـاي ورودي ، سيگنـال هاي تحريكي يا مهـاري را كـه همـان پـارامتـرهـاي تعـريف كننده سيستم هستند به جسم سلولي يا گره هاي عصبي مي آورند ، مثلاً غلظت يك ماده mol/lit 6/0 است. ايـن پـارامتـر بـه عنـوان يـك سيگنال الكتريكي با شدت 6/0 به يك كانال ورودي مي رود . در ابتداي هـر كـانال يك ضريب عددي ( وزن سيناسپي ) وجــود دارد كــه شــدت تـحـريـك در آن ضــرب مي‌شود . اگر مثبت باشد يك ســـيگنال تحريـكي و اگــر منفـي بـاشد يك سيگنال مهاري است؛ اين ســيــگــنــــال هــــاي تــحـــريـكـــي يـــا مـهـــاري كـــه از ورودي‌هاي مختلف به جسم سلولي مي رسند ، با هم به صورت خطي جمع مي شود . اگر از ميزان آستانه كمتر باشد سلول عصبي خاموش شده و در غير اين صورت  ( ‌شليك) fire مي شود و جريان الكتريكي ثابتي در خروجي ايجاد مي كند كه به ســلـــول‌هـــاي ديــگـــر وارد مـــي شـــود . مــشــكـــل شبكه‌هاي عصبي اين است كه به تدريج به حفظ كردن الگوها مي پردازند و قابليت تجزيه و تحليل آن‌ها كم مي شود ، براي رفع اين مشكل بايستي تـعــداد  nodeهــاي ( گـره هـا ) كـم شـود، در ايـن صـــورت شــبــكــه مـجـبــور بــه تـعـمـيــم مــي شــود .شـبـكه‌هاي عصبي مصنوعي براي حل مسائل پـيـچـيـده يا مواردي كه هيچ راه حل الگوريتمي وجود ندارد يا بسيار پيچيده هستند مورد استفاده قرار مي‌گيرد . چهار نوع هدف كلي توسط اين شبكه‌هاي قابل پيگيري است ،كه هر كدام بسته به نوع مجهولات در مواردي خاص قابل بهره گيري است: 

1-طبقه بندي
براي طبقه بندي ، داده هاي نمونه هاي مختلف به شبكه داده مي شود و نام گروه هر نمونه به عنوان خروجي مشخص مي شود ،  پس از آموزش مناسب شبكه قادر خواهد بود با دريافت داده هاي مربوط به نمونه هاي جديد مشـخص كند كه ايـن نمـونه بـه كـدام طبــقه متــعلق است .  به عنوان مثال مي توان پارامترهاي آزمايشگاهي بيماران مبتلا به سرطان پروستات و افراد سالم را به عنوان ورودي و وضعيت فرد (سالم بودن يا سرطاني بودن ) را به عنوان خروجي به شبكه داده در اين صورت شبكه پس از يادگيري خواهد توانست پارامترهاي فرد جديد را گرفته و سرطاني بودن او را پيشگويي كند .

2-تخمين تابع
زماني كه ‌پارامترهاي‌ ورودي ‌با تأثيرات پيچيده در سيستم پاسخي قابل اندازه گيري ايجاد مي كنند ، شبكه مي تواند آموزش بيابد تا اين پاسـخ را پيشــگويي كند . به عنوان مثال شبكه مي تواند پس از آموزش، با دريافت داده هاي مربوط به هر مولكول جديد در داروها ، شدت اثر آن را پيشگويي كند.

3-پيشگويي 
اصطلاح پيشگويي در اينجا براي سري هاي زماني به كار برده مي شود ؛ يعني جايي كه داده ها مربوط به نمونه هاي پياپي هستند و داده هاي هر نمونه براي پيشگويي نمونه بعدي استفاده مي شود . مانند پيشگويي وضعيت آتي بيمار بستري در بخش CCU.

4-خوشه كردن 
 ‌ايــن نــوع كـــــاركـرد شـــبكـه هـــا مـربـوط بـه يـادگـــيـري  Unsupervisedاسـت . يعنـي طبقه‌بندي داده ها بر حسب رفتار و بر هم كنش هاي دروني آن ها بدون داشتن الگو يا فرضيه قبلي است .

كاربرد شبكه هاي عصبي مصنوعي در علوم پزشكي
شبكه هاي عصبي مصنوعي در علوم پزشكي ودارويي نيز كاربرد بسيار گسترده اي دارد. برخي كاربردهاي آن عبارتند از :

1-سيستم هاي تشخيص بيماري
 ‌شبكه هاي عصبي مصنوعي به صورت وسيعي در تشخيص بيماري ها به كار گرفته شده است و اين سيستم ها قادرند براي تشخيص سرطان ، بيماري هاي قلبي عروقي ، بيماري سل و عفونت هاي سينوسي مورد استفاده قرار گيرند . از مزاياي استفاده از شبكه هاي عصبي مصنوعي اين است كه فاكتورهايي چون خستگي، فرسودگي، وضعيت‌هاي عاطفي يا تحت شرايط خاصي كاركردن روي آن ها تاثيري ندارد.

2-تجزيه و تحليل هاي بيوشيميايي
شبكه هاي عصبي مصنوعي به صورت وســيع و متنوعي در تجزيه وتحليل نمونه هاي خون ، ادرار ، رديابي سطح گلوكز در مبتلايان به ديابت ، تعيين سطح يون در مايعات بدن مورد استفاده قرار مي گيرد.

3-تجزيه و تحليل تصويربرداري پزشكي
شبكه هاي عصبي مصنوعي در تجزيه و تحليل تصاوير تومورها و  MRIمورد استفاده قرار مي گيرد.

4- توسعه دارويي
شبكه هاي عصبي مصنوعي به عنوان ابزاري براي توسعه داروهاي مرتبط با  سرطان و ايدز مورد استفاده قرار مي گيرد.
اگر چه در حال حاضر كاربرد شبكه هاي عصبي در دنيا مربوط به شبكه هاي تحت يادگيري است اما نوع ديگر شبكه ها كه يادگيري  Unsupervised دارند از هم اكنون مرزهاي جديدي را به سوي محققان گشوده اند و آرزوي يادگيري واقعي ماشيني ها بدون دخالت انسان ها را براي محققان آرزويي دست يافتني ساخته اند . 

مراحل كار با شبكه عصبي

سلول‌هاي سرطاني در مقايسه با سلول‌هاي نرمال در مقابل گرما مقاومت كمتري دارند. با رسيدن دما به 42 درجه سانتي گراد، سلول هاي سرطاني به سرعت آسيب ديده و غير فعال مي‌شود، در حالي كه سلول‌هاي سالم كمتر آسيب مي بينند. اين واقعيت امكان گرما درماني را ايجاد مي‌كند. با توجه به اينكه استفاده از مايكروويو براي درمان سرطان به روش گرما درماني از جمله راه كارهاي مناسب است، سنسورهاي مرسوم سنجش دما كه در پروسهِ درمان سرطان با ماكروويو به كار مي روند، نمي‌توانند كارايي لازم را به علت وجود امواج الكترومغناطيسي موجود در محيط كه باعث ايجاد تداخل و نويز در اين ادوات مي شود دارا باشند. بنابراين ساخت سنسور درجه حرارت با فيبر نوري كه در ميدان هاي مغناطيسي دچار تداخل نشده و بسيار كوچك و دقيق است يكي از كاربردي ترين وسايل پزشكي است كه به كمك شبكه هاي عصبي ساخته شده است.

طرز كار سنسور
اساس كار سنسور بر اين است كه برخي از مواد در برابر گرما واكنشي به شكل تغيير ضريب شكست نور (n) از خود نشان مي دهند. ساختمان پروب در شكل 1 نشان داده است. هنگامي كه پروب در مد  تشعشع قرارمي گيرد، مقدار انرژي تابشي آن تحت تأثير مقدار n قرار مي گيرد . زماني كه دما بالا مي رود مقدار n كاهش مي يابد و باعث مي شود كه انرژي تابشي كاهش يابد و اگر دما كاهش يابد بر عكس n افزايش و انرژي تابشي افزايش يابد. از همين رابطه بين دما و انرژي تابشي استفاده شده و سنسور گرما طراحي شده است. مقدار انرژي تابشي از روي مقدار انرژي بازگشتي در انتهاي پروب اندازه مي‌گيرند. مسئله مهم انتخاب مقدار n است كه بايد در بهترين شرايط كار انتخاب شود ، به گونه اي كه ماده به كار رفته، با تغييرات ثابت دما بالاترين ميزان تغييرات انرژي تابشي را از خود نشان دهد. براي تهيه ماده مورد نظر n از دو ماده كه ضريب شكست معين دارند استفاده مي شود و براي به دست آوردن نسبت تركيب اين دو ماده از شبكه عصبي كمك گرفته مي شود.

استخراج داده‌هاي ورودي و آموزش شبكه
براي ساخت ماده مور د نظر از دو نوع ژل سيليكات استفاده شده كه ضريب شكست آن ها به ترتيب 41/1   و 51/1 است نسبت هاي مختلف از اين دو ژل  با هم تركيب و در  تغييرات ثابت دما  تغييرات ميانگين توان خروجي اندازه گيري مي شود. از داده هاي اين آزمايشات براي آموزش شبكه استفاده مي شود.
براي شبكه عصبي از دو مدل RBF و MLP يا پرسپترون چند لايه Hidden استفاده شده است. مقادير خروجي در بازه [1-0]‌ واقع‌اند. بردار ورودي نسبت ژل سيليكات و بردار مطلوب خروجي تغييرات ميانگين توان خروجي   در آزمايش است. بهترين نسبت تركيبي به دست آمده برابر  [1:18]‌ است كه معادل با  446/1n= است. يعني با اين نسبت تركيب بيشترين تغييرات  در ميانگين توان خروجي پروب به دست مي آيد. پاسخ هاي به دست آمده توسط هر دو شبكه (شكل 2 RBF ) و MLP يكسان هستند.

استخراج خودكار مؤلفه هاي اساسي غيرخطي سيگنال گفتار 
مطالعات بر روي نحوه ادراك گفتار انسان بيانگر آن است كه مغز انسان به وقايع خاصي در سيگنال گفتار حساسيت بيشتري نشان مي دهد. ماهيت اين وقايع به عنوان واحدهاي پايهِ حاوي اطلاعات غني و مهم گفتار از نظر زبان شناختي و مهندسي در دست تحقيق و بررسي است. در تحليل مؤلفه هاي اساسي گفتار (PCA) با استفاده از شبكه هاي عصبي خود انجمني خطي و غيرخطي، نواحي پراطلاعات سيگنال گفتار استخراج شده و مورد بررسي قرار مي گيرند. نتايج مقايسه مؤلفه هاي PCA خطي و غيرخطي نشان مي دهد كه در حالت PCA غيرخطي، به علت قابليت شبكه در شكل دهي مانيفولدهاي غيرخطي، توانايي مؤلفه ها در بيان محتواي آوايي سيگنال گفتار افزايش مي يابد. در بررسي نحوه عملكرد شبكه در استخراج مؤلفه هاي اساسي گفتار اين نتيجه حاصل شد كه در فرايند تعليم شبكه عليرغم شروع تعليم از مقادير تصادفي مختلف، شكل گيري هر مؤلفه به طور آني، جداگانه و بدون تأثيرپذيري از بقيه مؤلفه ها اتفاق افتاده و منحني خطا به صورت پله اي افت مي كند. همچنين نتايج بررسي عملكرد مؤلفه‌ها حاكي از آن است كه مؤلفه هاي اساسي به دليل ويژگي حذف تنوعات مي توانند نسبـت بـه تغييـر گـوينـده مقـاوم بـاشنـد كه نتايج تغيير گوينده 8/1 % بهبود را نسبت به پارامترهاي بازنمايي اوليه نشان مي دهد.
تحقيقات در زمينه عملكرد ادراك گفتار توسط مغز انسان نشان مي دهد كه يك‌سري نـواحـي در سيگنـال گفتار وجود دارد كه حاوي اطلاعات متمايزكننده مفيدي براي واحدهاي صوتي پايه است. شناسايي اين نواحي خاص مي تواند فرد را به درجات بازشناسي بالايي در كلمات و جملات برساند.
 بررسي جنبه هاي زيستي ادراك گفتار توسط مغز انسان ديدگاه هايي وجود دارد كه نشان دهنده آن است كه اطلاعات دريافتي مغز خلاصه شده و چكيده‌هايي از آن به صورت مؤلفه هاي اساسي ادراك به نواحي بالاتر مغز ارسال مي شوند. اين مطلب مؤيد ايده روش استفاده از مؤلفه هاي اساسي است كه بتواند اطلاعات نواحي پراهميت را استخـراج كنـد. در سـال هـاي اخيـر توجه زيادي به استفاده از شبكه هاي عصبي در سيستم‌هاي بازشناخت گفتار شده است. شبكه هاي عصبي از آن جهت كه قابليت تعميـم و انعطـاف پـذيري ويژه اي بنا بر نوع مسئله دارند، مي توانند در سيستم‌هاي پردازشي مختلف مورد استفاده قرار بگيرند.
بر خلاف ساير روش هايي كه به صورت با سرپرستي و بر مبناي دانش افراد خبره نواحي گذرا ، ايستا  يا وقايع و حالات گفتار را به عنوان نشانه هاي گفتار در نظر مي‌گيرند، با استفاده از شبكه هاي عصبي به صورت بدون سرپرستي نواحي پراطلاعات سيگنال گفتار به طور خودكار استخراج مي شود. 
در اين روش با استفاده از شبكه عصبي خودانجمني با لايه گلوگاه مؤلفه هاي اساسي غيرخطي گفتار با حركت لغزنده بر روي سيگنال گفتار پيوسته، استخراج مي شوند. در شبكه استخراج مؤلفه هاي اساسي عليرغم شروع تعليم از مقادير تصادفي مختلف، منحنـي هـاي خطـاي تعليـم همـواره داراي پـرش هـايـي است كه تعداد آن‌ها با تعداد نورون‌هاي لايه پنهان مياني برابر است.  بيشترين افت خطا در اولين پرش و در هنگام شـكــل گـيـري بـزرگتـريـن مـؤلفـه اسـاسـي اتفـاق مـي‌افـتـد كـه مـعـادل با انتقال بيشترين واريانس داده‌هاي ورودي است.
اولـيـن مـؤلـفـه در مـنـحـني هاي خطا با تعداد نورون هاي متفاوت همواره به يك مقدار ثابت خـطـا مـي رسـد. ايـن مـسـئـلـه نـشـان مي دهد كه افـزايـش تـعـداد نـورون هـاي لايـه پـنـهـان مـيـاني تأثيري در اطلاعات اولين مؤلفه يادگيري ندارد و به ازاي اولين مؤلفه شكل گرفته، شبكه همواره به يك سطح ثابت از شناخت داده هاي ورودي مـي‌رسـد. هـمـچـنـيـن نـتـايـج آزمـايـشات قابليت حذف تنوعات مؤلفه هاي اساسي نشان مي دهد كـه بـا تـغـيـيـر گـويـنـده در جـمـلات تست ميزان صحت بازشناسي مؤلفه هاي اساسي استخراج شده نسبت به پارامترهاي بازنمايي اين گوينده 8/1 % بهبود مي يابد كه اين نشان دهنده قابليت مـؤلـفـه هـاي اسـاسـي غـيـرخطي در حذف تأثير تـنـوعـات اسـت. در مـقـايسه صحت بازشناسي آوايـي مـؤلـفـه هـاي اسـاسـي خطي، غيرخطي و آماري با استفاده از شبكه بازشناس آوا مشاهده مــي شــود كــه صـحـت بـازشـنـاسـي مـؤلـفـه‌هـاي غـيــرخـطــي درحــدود  %4‌بـيـشتـر از مـؤلفـه‌هـاي اسـاسي خطي و آماري است و درصد صحت بازشناسي مؤلفه هاي خطي و آماري بسيار به هم نزديك است. در حالت PCA غيرخطي، به علت قـابـلـيـت شـبـكـه در شـكـل دهـي مـانـيـفـولـدهـاي غيـرخطـي، تـوانـايـي مـؤلفـه هـا در بيان محتواي آوايــي سـيـگـنــال گـفـتــار افــزايــش مــي‌يــابــد. بــه نـظـــرمـــي‌رســد كــه بــا ادامــه تـحـقـيــق در زمـيـنــه روش‌هــاي خــودكــار اسـتخـراج ويـژگـي بتـوان نـواحي حاوي اطلاعات مهم سيگنال گفتار را استخراج كرد، تا مشكلاتي كه در واحدهاي پايه بازشناسي رايج وجود دارد تا حد امكان كاهش يابد.

بازشناسي شناسه هاي دست نويس
بازشناسي شناسه هاي دست نويس، يكي از مـسـائـل شـنـاسـايي الگو است. الگوي ورودي، معمولا يك تصوير است. خروجي به صورت كد شناس هايي كه در تصوير ورودي وجود دارد است.
كـاربـردهـاي شـنـاسـه هـاي دسـت نـويـس در خــوانــدن اطــلاعــات نــوشـتـه شـده در فـر م هـا، تـشخيص مبالغ چك، تشخيص پلاك خودرو  است. مراحل بازشناسي شناسه هاي دست نويس در شكل 3 نشان داده شده است.
پيش پردازش، فرايندي است كه به منظور ارتقاي تصوير ورودي استفاده مي شود. براي بازشناسي شناسه هاي دست نويس مراحل زير صورت مي گيرد:
‌بهبود تصوير (Enhancement)
‌دوسطحي سازي (Binarization)
‌اصلاح چرخش (Skew correction)
‌باريك سازي (Thinnig)

بهبود تصوير 
 ‌اين مرحله شامل كاهش نويز و ترميم تصوير است. اغلب بهبود تصوير با اعمال فيلترهاي ريخت شناسي  (Morphology)انجام مي شود. مشكلي كه در اين زمينه ممكن است ايجاد شود اين است كه هر فيلتر تنها براي انواع خاصي از نويز مناسب است و وجود شبكه عصبي به ايجاد سريع فيلترها با داشتن چند تصوير و ترميم شده آن ها كمك مي كند.
يك روش مبتني بر شبكه عصبي استفاده از شبكه پرسپترون چند لايه است. آموزش شبكه مي تواند به اين صورت باشد كه هر بردار ورودي مي تواند به صورت يك پنجره از تصوير اصلي تعريف شود و خروجي مطلوب، پيكسل متناظر با مركز پنجره از تصوير ترميم شده باشد.
در اعمال فيلتر بردار ورودي شامل هر پنجره از تصوير ورودي و خروجي شبكه، پيكسل هاي تصوير خروجي را مشخص مي كند. شكل4 اعمال شبكه عصبي به تصوير اوليه و حاصل شدن تصوير ترميم شده را نشان مي دهد.

اصلاح چرخش
تعيين ميزان چرخش تصوير، چرخش تصوير و اصلاح آن از جمله مواردي است كه مي توان در مراحل پيش پردازش صورت گيرد.
يك روش مبتني بر شبكه عصبي مي تواند استفاده از شبكه عصبي پرسپترون چند لايه  بـاشـد. بـراي آمـوزش شبكه، ورودي شامل ويژگي هاي استخراج شده از تصوير  و خروجي مطلوب زاويه چرخش تصوير در نظر گرفته مي شوند.

باريك سازي
در بــحــــث بــــاريــــك ســـازي شــنـــاســـه هـــاي دسـت‌نويس، حذف اطلاعات اضافي و حفظ اطـلاعـات ساختاري داراي اهميت است. يك روش مبتني بر شبكه عصبي مي تواند استفاده از شبكه خودسازمانده Kohonen باشد.
مبنـاي كـار بـه صـورت خوشه بندي  بوده و روش كار به صورت خوشه بندي پيكسل هاي شـكــل بــر مـبـنــاي مكـان آن هـا و اتصـال مـراكـز خــوشــه‌هــا بــه هــم و ايـجـاد اسـكـلـت اسـت. از ويژگي‌هاي اين روش مي توان به تغيير اتصال بيـن نـرون‌هـاي خروجي هنگام آموزش اشاره كرد. شكل5 نحوه باريك سازي تصوير را نشان مي دهد.

بخش بندي تصوير
بخش بندي تصوير به ‌جداسازي شناسه هاي متصل از هم اطلاق مي شود و عموما در مورد كلمات انجام مي شود . بخش بندي به شناسه ها، مـسـئـلــهِ بــازشـنــاســي كـلمـات را بـه بـازشنـاسـي شـنـاسـه‌هـا كـاهـش مي دهد. كاربردهاي شبكهِ عصبي در اين زمينه شامل تعيين تعداد بخش ها ، تعيين محل برش براي جداسازي شناسه ها و تعيين تك شناسه ها از جفت شناسه ها است. نـوع شـبـكـه اسـتـفـاده شـده پرسپترون چند لايه  است. مجموعهِ آموزشي شامل تعدادي جفت (تـصـويـر ، تـعـداد شـنـاسـه هـا) اسـت. اسـتـخراج ويـژگـي از كـل تـصوير ورودي انجام مي شود. تعداد شناسه ها با فعال شدن يكي از دو خروجي مشخص مي شود.

تعيين محل برش
بـه مـنـظـور تـعـيـيـن محل برش ‌در تصوير دو روش در نـظــر گـرفـتـه مـي شـود. در روش اول  ‌ورودي، ويــژگــي هــاي اسـتخـراج شـده از كـل تصوير و خروجي ، ميزان مطلوبيت تعداد مقطع عمودي هم فاصله در تصوير، براي برش است. در روش دوم، ورودي ويـژگـي هاي استخراج شده از يك مقطع عمودي از تصوير و خروجي ،  تـعـيين مي كند مقطع فعلي براي برش مناسب اسـت يـا خـيـر. شـكـل 6 اعمال شبكه عصبي به تـصوير و تعيين محل برش در تصوير را نشان مـي‌دهـد. عـدد 1 ظاهر شده در خروجي شبكه عصبي، محل برش را نشان مي دهد.

دسته بندي (Classification) تصوير
نسبت دادن الگوها به دسته هاي از پيش تعيين شـده  از جـمـله كاربردهاي دسته بندي تصوير است. عمده ترين كاربرد شبكه هاي عصبي در بازشناسي شناسه هاي دست نويس است.
نـحـوه استفاده از شبكه عصبي به موارد زير بستگي دارد:
- ‌نوع شبكهِ عصبي
- ‌بازگشتي يا غير بازگشتي
- ‌تقريب تابع، حافظهِ انجمني  يا خوشه بندي
- ‌شيوه بازنمايي الگوها
- ‌ساختار خروجي مورد انتظار از شبكه(وابسته به نوع مسئله)

شيوه هاي بازنمايي الگو
شيوه هاي بازنمايي الگو به دو صورت برداري و گرافي بيان مي شود. در حالت برداري خروجي استخراج ويژگي يك بردار از اعداد و يا نمادهاست و به خوبي با شبكه‌هاي عصبي  LVQ، RBF، SVM،MLP و ... سازگار است. در حالت گرافي، خروجي اسـتـخـراج ويژگي به صورت يك گراف است. براي توصيف تصاوير پيچيده بسيار مناسب هستند و اعمال آن ها به بيشتر شبكه هاي عصبي مشكل است . چنانچه گراف محدود(تعداد گر ه ها و يال ها) باشد، مي تواند به يك بردار با طول ثابت نگاشت شود. چنانچه گراف محدود نباشد، نگاشت آن به يك بردار با طول ثابت با از دست رفتن اطلاعات همراه است .

رمزگذاري ورودي  (Input Encoding)
رمزگذاري ورودي شامل نگاشت ويژگي هاي استخراج شده از الگو به ورودي شبكه بوده و رمزگذاري خروجي، شيوهِ تعبير از خروجي هاي شبكه، جهت اعمال به مسئله است.
به طور مثال در استفاده از شبكه هاپفيلد براي دسته بندي، ساختار شبكه و رمزگذاري ورودي و خروجي به صورت زير تعريف مي شوند. تصوير اين شبكه در شكل 7 نشان داده شده است.

ساختار شبكه 
‌سيستم از چند شبكه تشكيل شده است، اما عملكرد آن مانند يك طبقه بند است.
‌به هر دسته يك شبكه اختصاص دارد.
‌هر شبكه، چند الگوي متعلق به دسته مربوط به آن را ذخيره مي كند.
رمزگذاري ورودي: ‌ويژگي هاي استخراج شده برداري 
رمزگذاري خروجي‌: ‌الگوي ورودي متعلق به دسته اي است كه خروجي شبكهِ مربوط به آن فاصلهِ كمتري با ورودي داشته باشد.
شبكه عصبي يك از پركاربردترين ابزارها در بازشناسي شناسه هاي دست نويس است. از كاربردهاي شبكه هاي عصبي در اين زمينه مي توان به مراحل  پيش پردازش ،  بخش بندي  و  دسته بندي  تصاوير اشاره كرد. توسعهِ روش هاي تركيبي، ايجاد انواع جديد براي پردازش ساختارهاي گرافي و ايجاد مجموعه هاي آموزشي استاندارد و بزرگ از جمله مواردي است كه مي توان براي بهبود روش هاي ذكر شده استفاده كرد.

3- تطبيق آثار انگشتان
در ايـن روش از استخراج يكي از ويژگي هاي تصاوير اثر انگشت به نام ريز ذره (Minutiae) استفـاده مـي شـود .به كمك ريز ذره ها عمل تطبيق آثار انگشت با كيفيت مطلـوب قـابـل انجـام اسـت . در ايـن روش از يـك شبكـه عصبي چند لايه پرسپترون (Multi Layer Perceptron) جهت تشخيص نقاط ريز ذره استفاده شده است . دقت حاصله در اين روش بسيار زياد بوده و تا حد بالايي قادر به تشخيص نقاط ريز ذره است و با در نظر گرفتن استفاده از تشخيص اثر انگشت در سيستم هاي امنيتي و  دقت بالاي به دست آوردن ر يز ذره ها از اهميت بالا يي برخوردار خواهد بود كه در اين روش به آن توجه مي‌شود. در روال تطبيق ، با استفاده از يك روش ابتكاري به نام كوتاه ترين فاصله ، كه ورودي آن خروجي شبكه عصبي چند لايه بوده و بر اساس محل ريز ذره عمل مي كند و كيفيتي بيش ازروش هاي ديگر كه معمولا از تصاوير جهت دار استفاده مي كنند و نسبت به نويز حساس‌تر هستند، فراهم مي آورد.
همانگونه كه مي دانيد تصاوير اثر انگشت داراي شيارهاي برجسته و فرو رفته اي هستند. بر اي اينكه تصوير دو اثر انگشت   با هم تطبيق داده شود، مي بايست تعدادي از ويژگي ها ي آن دو تصوير را بر هم منطبق كرد. تا كنون ويژگي هاي متعددي براي تطبيق اثر انگشت پيشنهاد شده است . مثلا منافذ عرق موجود در بين شيارها كه عيب اين روش احتياج به تصاويري با دقت بسيار زياد است  كه به دست آوردن و ذخيره چنين تصاويري متضمن پرداخت هزينه زيادي مخصوصا از نظر وقت و فضاي ذخيره سازي است. يكي ديگر از ويژگي هاي مورد استفاده در اثر تطبيق انگشت ، استخراج نقاطي موسوم به نقاط ريز يا ريز ذره ها است. اين نقاط معمولا از به هم پيـوستن دو شيار برجسته يا ابتدا و انتهاي يك شيار برجسته تشكيل مي شوند.
در اين روش با استفاده از شبكه عصبي اين نقاط را مي توان با سهولت و همچنين با دقت بـالايـي تشخيص داد. البته حالاتي كه منجر به تشكيل ريز ذره در تصاو ير اثر انگشت مي شود نـسـبـتــا زيــاد اســت . در هــر روش تـطـبـيــق آثـار انگشتان، ممكن است به دست آوردن همه آن ها لازم نباشد.
اكثر سيستم‌هاي مقايسه كننده اثر انگشت بر پـايـه تـطـبـيـق نـقـاط ريـز هـستند. نقاط ريز كه به ويژگي هاي گالتون  (Galton Characteristic) نيز شناخته مي شوند، نقاط گسسته اي در تصاوير اثر انگشت هستند ، كه اصولا داراي انواع انتهاي (ابتدا وا نتهاي هر شيار) يا نقاط انشعابي (نقاطي كه شيار به دو قسمت تقسيم مي شود) هستند.
چـنـد مـشـكـل اسـاسي معمولا تشخيص آثار انگشت را دشوار مي سازد. از آن جمله مي‌توان به عدم يكنواختي يا انقطاع شيارها، شكستگي در شيارها، مشكل در جداسازي شيارهاي نزديك در هـمـه موارد نقص اثر انگشت ( بدليل زخم ، سوختگي و غيره) يا نقص در ثبت تصوير و نويز عامل كاهش كيفيت تصوير هستند. بنابراين قبل از يافتن نقاط ر يز انجام فاز بهبود تصاوير معمولا اجباري است تا يافتن نقاط ريز را ساده تر سازد.
در ايــن روش بـــــراي بــهــــبـــــود دادن (Enhancement) ‌تصوير مطابق جدول 1 مراحل زير صورت مي گيرد:
1- روش نـرمـال سـازي، 2 نحـوه جـداسـازي تصوير از زمينه، 3- زاويه هر نقطه از تصوير در شـيار اثر انگشت، 4-فيلتر بهينه سازي Gabor، 5- عـمليات نازك سازي شيارها، 6- استخراج نقاط ريز به كمك شبكه عصبي، 7- حذف نقاط ريز زائد، 8- الگوريتم تطبيق.

 ‌استخراج نقاط ريز ذره با استفاده از شبكه عصبي
جهـت استخـراج نقـاط مـذكـور ، از يك شبكه عصبي چند لا‌يه از نوع جلورونده (Feed Forward) با 9 ورودي و 5 لايه پنهان و يك خروجي استفاده شد.
در اين شبكه عصبي ورودي شامل بلاك‌ها ي 3*‌3 است (9 ورودي) كه پس از تحويل به شبكه‌، يك خروجي با ينري دريافت مي شود. در صورتي كه خروجي آن يك باشد ، ورودي يكي از الگوهاي تعيين شده است و در صور تي كه صفر باشد ورودي اشتباه و شامل الگوهاي مورد نظر نيست.اعمال محاسباتي با استفاده از نرم افزار Matlab طراحي و شبكه عصبي با استفاده از نرم‌افزار NetLab انجام گرفت. در نرم افزار طراحي شبكه عصبي پس از 3456 بار تكرار به خطا ي صفر دست يافته شد. پس از آن با استفاده از وزن‌هاي به دست آمده از NetLab در نرم افزار Matlab، استفاده شد.
وزن هـاي بـه دست آمده با احتساب 5 لايه پنهان و 9 ورودي ،45 وزن را شامل شد و از تابع تانژانت هيپوربوليك،  ‌به عنوان تابع جمع كننده  (Squashing) ، استفـاده شـد. شكـل 8 پيدا كردن نقاط ريز اثر انگشت با استفاده از شبكه عصبي را نشـان مـي دهـد.همـانگـونـه كـه مشاهده كرديد، استفاده از شبكه عصبي جلو رونده وچند لايه داراي 5 لايه پنهان و 9 ورودي و يك خروجي كه در اين روش بحث شد ، باعث بالا رفتن سرعت و دقت وسهولت در يافتن نقاط ريز مي شود و چـون نقـاط ريـز جـزء ويـژگـي هـاي تصـويـر اثر انـگـشـت محسـوب مـي شـود، در نتيجـه بـاعـث بـالارفـتن دقت در تطبيق اثر انگشت مي شود. مـزيـت ديـگـر اسـتـفـاده از شـبـكه عصبي كاهش عـمـلـيـات مـحـاسـبـاتـي پـس از بـه دسـت آوردن وزن‌هــا ، بــراي تـعــداد بـسـيـاري از تصـاويـر اثـر انـگـشـت كاهش مي يابد .در صورت به دست آوردن وزن‌هاي مربوط به شبكه عصبي، براي استفاده از كامپيوترهايي با توان كمتر و استفاده از چيپ‌ها و مدارات مجتمع در پياده سازي تطبيق اثـر انـگـشـتان به طور سخت افزاري ، هموارتر مي‌شود.

شبكه عصبي و تشخيص بيماري

يكي از مشكلاتي كه در حال حاضر بيماران ديابتي با آن روبرو هستند ضعف در تشخيص اين بيماري در مراحل ابتدايي آن است. به همين منظور در اين روش سعي شده است تا با استفاده از ابزار شبكه هاي عصبي و استفاده از 8 الگو و ويژگي كه  هر يك به گونه اي  بازگوكننده مشخصه اي پزشكي مربوط به وضعيت فرد سالم و نيز فرد مبتلا به ديابت است، به تشخيص وجود يا عدم وجود بيماري ديابت در افراد پرداخته شود.  در اين راستا از يك شبكه عصبي سه لايه با تعداد 8 نرون در لايه ورودي ، 4 نرون در لايه مخفي و يك نرون در لايه خروجي استفاده شده است كه درمرحله آزمايش  صحت حدود 77 درصد به دست آمد. نتايج اين روش در جدول1 نشان داده شده است.

سرطان سينه
كارهاي انجام گرفته در اين زمينه را مي‌توان به سه گروه طبقه بندي كرد:
1- پيش بيني وجود ضايعات بدخيم سينه با استفاده از داده‌هاي ماموگرافي
2- كلاس بندي ضايعات بدخيم به عنوان سرطان پيشرفته
3- پـيــش گـيــري بــدخيـم بـودن تـوده‌هـاي بـافتـي سينـه بـا استفـاده از داده‌هـاي اولتراسوند در همه اين تحقيقات از شبكه پرسپترون يك لايه و الگوريتم يادگيري، پس انتشار خطا (Back Propagation) استفاده شده است.
شبكه‌هاي عصبي با ميسر كردن اطلاعاتي از جمله خوش‌خيمي يا بد خيمي تومرها، همچنين تشخيص نوع پيشرفته سرطان كه سابقا فقط توسط جراحي‌هاي نمونه برداري بافت زنده قابل دسترسي بوده، پتانسيل زيادي براي بهبود روش‌هاي مديريت بيماران داراي ضايعات سينه دارند. با استفاده از اين شبكه‌ها مي‌توان تعداد جراحي‌هاي غير ضروري روي بيماران را كاهش داده و هزينه‌هاي مربوط را كم كرد. ماموگرافي و فراصوت داراي حساسيت خوبي است، بدين معني كه از روي تصاوير ماموگرافي با درصد اطمينان قابل قبولي مي‌توان موارد سالم و غير سرطاني را تشخيص داد ولي در تشخيص موارد سرطاني قابل اعتماد نيست و به همين دليل 65% از مواردي كه به نمونه‌برداري ارجاع داده مي شوند داراي ضايعات خوش خيم هستند كه در واقع نيازي به نمونه برداري ندارند.

ورودي هاي شبكه ها
ورودي‌هـاي شـبـكـه عـصـبـي، اطـلاعـات كد شده پزشكي هستند كه به وسيله ابزارهاي آزمايشگاهي پزشكي نظير ماموگرافي،  اولتراسوند يا از سوابق بيماران استخراج شده اند و خروجي هاي نهايي كه به عنوان نتايج مطلوب به شبكه اعمال مي شوند، نتايج حاصل از نمونه برداري ‌ هستند كه به سه دسته خوش خيم، بدخيم و سـرطـان پـيـشـرو تقسيم مي شوند. تصاوير توسط راديولوژيست ها در سيستم RADS0BI تفسير مي شوند.
BI-RADS يـك فـرهـنـگ لـغت استاندارد  است كه توسط دانشكده راديولوژي آمريكا ارائه شده تا هماهنگي لازم در تفاسير ارائه شده از تصاوير ماموگرافي را بيشتر كند.
بخشي از ورودي ‌ها از يافته هاي فراصوتند كه با سيستم  Stavors كه يك سيستم استـانـدارد غيـر رسمـي اسـت كـه بـا ايـن حال به طور گسترده كاربرد دارد تفسير مي‌شوند.

طبقه بندي نارسايي هاي قلبي
شبكه هاي عصبي مصنوعي شبكه هايي الهام گرفته از موجودات زنده هستند كه در زمينه هايي مانند شناسايي الگو و دسته بندي كاربرد دارند. فرايند تصميم گيري شبكه عصبي مصنوعي بر اساس ويژگي  الگوهاي ورودي است و براي دسته بندي داده هـاي پـزشكي مناسب به نظر مي رسد. معمولا شبكه هاي عصبي چند لايه پيشخور به عنوان دسته بندي كننده هاي غير خطي با استفاده از شيوه پس انتشار خطا (BPA)، آموزش داده مي شوند.
شيوه پس انتشار خطا يك شيوه يادگيري است كه در آن يك تابع ميانگين مربعات خطا تعريف شده است و هدف فرايند يادگيري، كاهش خطاي كلي سيستم و حداقل كردن آن است. در ابتدا وزن هاي اتصالات به طور تصادفي انتخاب و مرتبا تغيير داده مي شوند تا خطاي كلي سيستم كاهش يابد. به روز كردن وزن ها با لايه خروجي آغاز مي شود و به لايه‌هاي قبلي گسترش مي يابد. 
بـراي آمـوزش كـارامـد، مطلـوب اسـت كـه مجموعه داده هاي آموزشي به طور يكنواخت در حــوزه كــلاس هــا پــراكـنـده شـده بـاشـنـد. داده‌هاي در دسترس را مي توان به طور مرتب تكرار كرد تا اينكه تابع خطا حداقل شود. 
شكل1 يك نمونه طبقه بندي كننده شبكه عصبي داده هاي مربوط به تغيير پذيري نرخ قـلــب را بـراي طبقـه بنـدي وضعيـت سـالـم و 7‌بـيـمــاري قـلـبــي مـخـتـلــف نـشــان مـي دهـد. همانطور كه در شكل زير ملاحظه مي‌كنيد، لايه ورودي شامل 3 گره است و در لايه هاي پنهان بعدي نورون هاي پردازش كننده با تابع فـعــال ســازي سـيـگمـوئيـد استـانـدارد بـه كـار رفته‌اند. لايه خروجي شامل سه نورون است تا خروجي ها را به 8 كلاس (111 تا 000) تقسيم كـنـد. بـراي آمـوزش شـبـكـه از الـگوريتم پس انتشار خطا استفاده شده و ثابت يادگيري =9/0 انتخاب شده است.   
در اين روش، نارسايي هاي قلبي به 8 گروه تقسيم شده اند. اين گروه ها عبارت است از:
1- انسداد دسته شاخه چپ (LBBB)
1-حالت عادي سينوس (NSR)
2-انقباض قبل از بطني (PVC)
3-انقباض بي نظم دهليزي(AV)
4-انقباض بي نظم بطني(VF)
5-انسداد كامل قلب(CHB)
6-كم خوني قلبي(Ischemic)
7-عارضه سينوس بيمار(SSS)
طبقه بندي كننده شبكه عصبي با 3 پارامتر استخراج شده از سيگنال هاي نرخ قلب تغذيه شده است. اين 3 پارامتر عبارتند از، آنتروپي طيف، هندسه منحني پوانكاره و بزرگ ترين نماي لياپانوف.

تشخيص پلاك خودرو  به كمك پردازش تصوير
هــدف اصـلــي ، ايـجــاد سـيـسـتـمــي جـهــت تشخيص پلاك اتومبيل ها در مكاني همچون درب اصـلـي پـاركـيـنگ ها است. اين سيستم شـامـل يـك كـامـپيوتر بوده كه با دريافت يك فـريم يا عكس از اتومبيل شماره پلاك آن را تشخيص مي دهد.  
در نـظــر گــرفـتــن تمـام مـوارد در پـردازش تصوير به دليل پيچيدگي بيش از حد، روش خـوبـي نـيـست. بنابراين محدوديت هايي  به ترتيب زير در نظر گرفته مي شود:
الف- پلاك ها به صورت مستطيل شكل و از نوع شخصي هستند.
ب- هيچكدام از عكس ها به دليل سرعت بالا، دچار حالت تاري نيستند.
ج- پـلاك در انتها و قسمت پايين اتومبيل قرار گرفته باشد.
د- پـلاك بـه صـورت مـوازي با محورهاي افقي و عمودي قرار گرفته باشد.
ه- عكس ها از فاصله 5/1 متري تا 5/2 متري گرفته شوند.
سيستم تشخيص پلاك خودرو مي تواند به بخش هاي زير تقسيم شود:
1-اسـتـخــراج نـاحـيـه شـامـل پـلاك از تـمـام تصوير
2-استخراج اعداد از ناحيه شامل پلاك
3-تشخيـص اعـداد بـه دسـت آمـده تـوسط شبكه عصبي
البتـه ايـن نـوع پيـاده سـازي را مـي تـوان به صــورت حــذف كــردن اطــلاعــات از عكـس اصلي تا رسيدن به اعداد پلاك، در نظر گرفت زيـرا عـكـس اصـلي داراي اطلاعات بسياري ولي نامربوط با اعداد پلاك است.
ديـــاگـــرام شـكــل2 بــا جــزئـيــات بـيـشـتــري الگوريتم هاي به كار رفته در تشخيص پلاك خودرو را نشان خواهد داد.

الگوريتم استخراج پلاك
هدف اين قسمت بيان نحوه استخراج خود پــلاك از مـيــان تـصــويــر گــرفـتــه شـده اسـت. خــروجـي ايـن قسمـت شـامـل پـلاك خـودرو است.
ابتدا عكس دريافت شده (800*‌600) را به گـري تـبـديـل كـرده سـپـس جهت دستيابي به مـحـيـط اشـيـاء (پـيـرامـون اشـيـاء)، از خروجي حـالـت قـبـل مـشـتـق گـرفـتـه مـي‌شـود. مـشـتـق انتخاب شده از نوع سوبل است زيرا بر خلاف مـشـتــق كـنــي از پـيـچـيــدگـي كمتـر و سـرعـت برخوردار است. حال جهت به هم پيوستگي  بـيـشـتـر ايـن خطوط، خروجي حالت قبل  به صورت ستاره انبساط داده مي شود. زماني كه خطوط بيشتر به يكديگر نزديك شوند مي توان محيط هاي بسته را پر كرد كه البته اين كار سبب ايجاد اشيايي تو پر مي شود. سپس توسط دستوري اين اشياء به هم پيوسته شماره‌گذاري مي شوند. حال از ميان اين بايد اشياء شماره گذاري شده به دنبال اشيايي با شرايط ويژه  باشيد. اين شرايط عبارتند از:
1-داشتن حداقل مساحتي بيشتر از 6500 (در واحد پيكسل)
2-داشتن حداقل نسبت خانه هاي سفيد به سياه بيشتر از 82 درصد
در نهايت به دليل آنكه ممكن است در بعضي شرايط، بيش از دو شي داراي چنين ويژگي هايي باشند، شي با مساحت بيشتر انتخاب مي شود يا اگر هيچ شيئي با شرايط مورد نظر پيدا نشد، بزرگترين شي موجود در تصوير انتخاب مي شود.
حال با داشتن مختصات و ابعاد شي مورد نظر آن را از بقيه تصوير جدا كرده، معادل همين عكس را از عكس اصلي رنگي نيز، جدا كنيد. سپس با تشخيص زاويه شي مورد نظر با محور افقي، عكس رنگي استخراج شده را به همان اندازه ولي در جهت مخالف دوران داده مي شود. در اين وضعيت عكسي رنگي از ناحيه شامل پلاك به وجود مي آيد كه مي بايست در مرحله بعدي مورد پردازش قرار گيرد. شكل‌3 تصاوير مربوط به الگوريتم استخراج پلاك را نشان مي دهد.
الگـوريتـم اوليـه بـر مبنـاي رنـگ سفيـد پـس زمينـه پـلاك بود، كه در حقيقت با پيدا‌‌كردن ناحيه سفيد پلاك، آن را از ديگر نواحي موجود در تصوير متمايز مي ساخت. ولي به دليل منحصر به فرد نبودن اين ويژگي دچار اشتباه در تشخيص ناحيه مورد نظر  مي شد، از جمله دلايل عدم تشخيص صحيح به ترتيب:
1-تشابه رنگ پس زمينه پلاك با رنگ ماشين
2-حذف ناحيه سايه دار پلاك
3-عدم تعيين دقيق رنگ سفيد در تصاوير، به دليل تفاوت در شدت روشنايي هستند.
با توجه به معايب ذكر شده، الگوريتم زير انتخاب مي شود. از آنجا كه هدف اصلي پيدا كردن پلاك است و اينكه ناحيه مذكور، مستطيلي شكل و داراي نسبت ابعاد معين است، بدون توجه به رنگ پس زمينه مي توان چنين ناحيه اي را تشخيص داد، به اين صورت كه با گرفتن مشتق از تصوير در حقيقت محيط هاي بسته موجود در تصوير را تا حدودي مشخص كرده و با سفيد كردن اين نواحي بسته، اشياء سفيد تو‌پري حاصل مي شود. با توجه به مستطيلي شكل بودن پلاك و با توجه به انتخاب نواحي به صورت مستطيلي شكل، احتمال بودن پلاك در آن ناحيه، ماكزيمم است. بنابراين در اين نواحي نسبت پيكسل هاي سفيد به سياه بيش از 90 درصد است. 

الگوريتم تفكيك اعداد
جهت تفكيك اعداد از تصوير باينري به دست آمده از مرحله قبل، در حقيقت با جمع كردن ستون هاي ماتريس و رسم آن شكل 4 به دست مي آيد. براي تشخيص هر عدد ابتدا از پايين سمت چپ شروع كرده و همينطور به طرف راست حركت كرده، هرگاه به مقداري برابر شروع شده رسيديد، پهنـاي بـانـد طـي شده را محاسبه كنيد اگر از مقـدار از پيـش تعيين شده بيشتر باشد مقدار اوليه جهت شروع عمليات را افزايش داده و عمليـات را تكرار كنيد. حال اگر از مقدار از پيـش تعيين شده كمتر يا مساوي بود اين دو نقطه مرز ابتدايي و انتهايي عدد اول را از سمت چپ مشخص مي كند. سپس همين روش را براي بقيه تصوير انجام داده تا در نهايت 8 عدد به دست آيد.

الگوريتم تشخيص اعداد و شبكه عصبي
ورودي اين قسمت، تصوير اعداد تك تك جـــدا شـــده در مــراحــل قـبــل اســت. تــوســط الگوريتمي اين تصاوير به شبكه عصبي داده شــده و آنـگـاه شبكـه عصبـي آن تصـويـر را بـا تـصـاويـري كـه هـنـگـام آمـوزش شـبـكـه ايجاد شده‌اند، مقايسه كرده و پس از الگوريتم هاي درونيابي، تقريب و تصميم، بيشترين احتمال ايـنـكه، به كدام يك از اين تصاوير نزديك تر اسـت را به عنوان خروجي قرار خواهد داد. شـكـل 5 تـصـوير الگوريتم تشخيص اعداد و شبكه عصبي را نشان مي دهد.
جهت آموزش اين شبكه، تعداد 340 تصوير مـورد اسـتـفـاده قـرار گـرفـت. ايـن تـصـويـر بـه صورت تصادفي و بدون نويز بوده، كه توسط  الگوريتم ديگري، از تصاوير پلاك گردآوري شده است. به دليل كافي نبودن بانك اطلاعاتي شبكه، بعضي مواقع شبكه، دچار اشتباه شده و مقـدار خـروجـي آن نادرست است. با اضافه كردن و گسترش بانك اطلاعاتي شبكه عصبي و همچنين با در نظر گرفتن نويز، به صورت عـملـي مـي تـوان دقـت شبكـه را تـا حـد قـابـل توجهي بالا برد.
شبكه هاي عصبي با توجه به توانايي هاي مـنـحـصـر بـه فرد خود كمك علم مهندسي و پزشكي آمده اند و در مواردي كه اين علم هنوز نتوانسته نارسايي هاي خود را به تنهايي بر طرف كند، كمك شاياني در رفع ناتوانايي هاي آن ارائه مي دهند. كاهش هزينه ها، بالاترين اطمينان و دقت پزشكان در تصميم گيري هاي خود، ساخت وسايل پزشكي كاراتر از جمله خدماتي است كه شبكه هاي عصبي براي پزشكان انجام داده‌‌اند. اميد است با تعامل هر چه بيشتر بين مهندسان و پزشكان ، گام هاي مؤثرتري در بهبود زندگي بشر برداشته باشد.

منابع:
[1]عليرضا زاهدپور، سيد امير حسن منجمي، بهروز ترك لاداني، ارائه روشي جـديـد مبتنـي بـر شبكـه هـاي عصبـي مصنوعي در تطبيق آثار انگشتان، چهارمين كنفرانس انجمن رمز ايران، دانشگاه علم و صنعت ايران،1386.
[2]محسن مشكي، ‌بررسي كاربردهاي شبكه هاي عصبي مصنوعي در بازشناسي شناسه هاي دست نويس.
[3]سـمـيـنــار درس شـبـكـه هـاي عصبـي مصنـوعـي، مهـديـه قـاسمـي ، سيـدعلـي سـيـدصـالـحـي، اسـتـخراج خودكار مؤلفه هاي اساسي غيرخطي سيگنال گفتار با استفاده از شبكه هاي عصبي و ارزيابي كارآيي آن ها، دانشكده مهندسي پزشكي ، دانشگاه صنعتي اميركبير.
[4]مسعود فتاحيان تهران ، نونا فربهي ، سمينار درس شبكه عصبي و كاربرد آن در پزشكي، دانشگاه صنعتي اميركبير.
[5]عباس ياسري، سميرا ترابي، حميرا باقري، تشخيص پلاك خودرو با تكنيك پردازش تصوير و با كمك شبكه عصبي

[6]myboard.persianblog.com
[7] Ramana, K.V., Basha, K., Neural Image Recognition System with Application to Tuberculosis Detection,IEEE proceeding of International Conference of Information Technology,2004
[8] Lo,J.Y., Floyd,E., Applisation of Artificial Neural Network for Diagnosis Breast Cancer, IEEE, PP. 1755-1759,1999
[9] kareem,S.A., Baba, S., Zubairi, Y.Z., Prasad, U.,Wahid, A.M., Prognostic System for NPC: A Comparison of the Multilayer Perceptron and the Recurrent Model,9th Conference on Neural Information Processing,Vol 1,pp.271-275
[10] Jiusheng, L., Zhenwu, B., Appication of Neural Network Optical Fiber Temperature Sensor Probe Design Used in Medical Treatment. IEEE Trans. Neural Network and Signal Processing, pp. 389-392,Dec. 2003

منبع: نشریه مهندسی پزشکی شماره ۱۱۵