بهینهسازی ضرایب مدل هایپرالاستیک بافت نرم با استفاده از داده های تجربی و الگوریتم ژنتیک | ||
| مهندسی مکانیک مدرس | ||
| Article 18, Volume 15, Issue 9, 1394, Pages 134-140 PDF (614.93 K) | ||
| Authors | ||
| امیررضا اسمعیلی1; میلاد کشاورز2; افسانه مجری* 3 | ||
| 1دانشجو کارشناسی / دانشگاه خواجه نصیر | ||
| 2کارشناسی ارشد / دانشگاه خواجه نصیر | ||
| 3دانشگاه صنعتی خواجه نصیرالدین طوسی | ||
| Abstract | ||
| سرطان بافت نرم معادل با تغییر خواص مکانیکی بافت میباشد. در سالهای اخیر همواره علم پزشکی به دنبال معرفی روشهای نوین در راستای تشخیص زودهنگام سرطان-های بافت نرم بودهاست. وجه تمایز این روشها از روشهای متداول معاینه بافت، کاهش میزان آسیب و تهاجم وارد به بافت همزمان با افزایش دقت تشخیص میباشد. این مقاله قصد دارد با استفاده از دادههای حاصل از آزمایشهای بالینی روی بافت سینه به تحلیل و مدلسازی رفتار مکانیکی قسمتی از بافت نرم سینه توسط مدل هایپرالاستیک مونیریولین بپردازد. به این منظور از یک دستگاه اعمال کرنش مکانیکی برمبنای روش نوین و غیرتهاجمی حس لامسهی مصنوعی استفاده شده است. این دستگاه برروی 8 بیمار با گسترهی سنی بین 20 تا 50 سال درکلینیک فوقتخصص بیماریهای سینه زنان جهاددانشگاهی و بادرنظرگرفتن پروتکلهای بالینی، مورد تست و ارزیابی بالینی قرارگرفته است. خروجی دستگاه شامل مقادیر تنش برحسب کرنش میباشد. از آنجاییکه خواص مکانیکی بافت سینه در ناحیههای مختلف بسیار متفاوت است، چند ناحیه مشخص روی بافت در بیماران مختلف انتخاب شده و در مجموع 40 ناحیه مورد آزمایش توسط دستگاه قرار گرفته است. به منظور رسیدن به یک مدل قابل اطمینان، پایدار و بهینه، از الگوریتم ژنتیک برای بهینهکردن ضرایب مدل هایپرالاستیک مونیریولین استفاده میکنیم. نتایج نشان میدهد که با استفاده از این مدل می توان رفتار مکانیکی ناحیههای مختلف از بافت نرم سینه را با دقت بالایی مورد بررسی و پیش بینی قرار داد. مدل به دست آمده قابلیت تشخیص وجود بیماری و پیگیری روند تغییرات آن را دارا میباشد. | ||
| Keywords | ||
| بافت نرم; حسلامسهی مصنوعی; هایپرالاستیک; الگوریتم ژنتیک; تومور | ||
|
Statistics Article View: 293 PDF Download: 343 |
||
| Number of Journals | 45 |
| Number of Issues | 2,164 |
| Number of Articles | 24,597 |
| Article View | 21,120,016 |
| PDF Download | 16,534,300 |