این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیق در علوم دندانپزشکی، جلد ۱۴، شماره ۴، صفحات ۲۱۳-۲۱۹
عنوان فارسی تشخیص بیماری پریودنتال با استفاده از الگوریتم لونبرگ- مارکواردت
چکیده فارسی مقاله خلاصه: سابقه و هدف: بیماری پریودنتال، یکی از شایع­ترین بیماری­های عفونی دهان است. تشخیص صحیح و زودهنگام آن می­تواند موجب کاهش میزان عوارض ناخوشایند گردد. هدف از این مطالعه بررسی دقت و کارایی شبکه­ی عصبی مصنوعی در تشخیص بیماری پریودنتال است. مواد و روش­ها: این مطالعه­ی تشخیصی، در بازه­ی زمانی سال­های 94 و 95 از بررسی پرونده­ی پزشکی 230 مراجعه کننده به بخش پریودانتیکس دانشکده­ی دندانپزشکی زاهدان انجام شد. 5 متغیر سن، جنسیت، شاخص پلاک دندانی )PI)، عمق پروبینگ (PPD(و شاخص از دست دادن چسبندگی  (CAL) در این افراد بررسی شد. در مدل شبکه­ی عصبی مصنوعی پیش­خور با الگوریتم پس انتشار خطا از تابع آموزشی لونبرگ -مارکواردت استفاده شد. ارزش پیش­بینی مثبت و ارزش پیش­­بینی منفی جهت ارزیابی شبکه در مرحله­ی آزمون مورد استفاده قرار گرفت. یافته­ها: نتایج نشان دادن که شبکه­ی پس انتشار خطا با  ساختار 5-20-4-2 و الگوریتم لونبرگ-مارکواردت و استفاده از توابع انتقال یکسان در تمام لایه­ها (تانژانت هایپربولیک سیگموئیدی) می­تواند به عنوان تابع آموزشی کارا در تشخیص بیماری پریودنتال مورد استفاده قرار گیرد. مقادیر ارزش پیش­بینی مثبت و منفی در مرحله ی آزمون به ترتیب  94/7 و 80 درصد به دست آمد. خروجی نرم افزار مقادیر مناسبی را برای زمان (5870/ 4 ثانیه) و رگرسیون در فاز آزمون،آزمایش و کل (7475/. ، 9749/ 0 و 9254/ 0) به دست آورد. نتیجه­گیری: به نظر می­رسد استفاده از شبکه عصبی مصنوعی می­تواند در تشخیص بیماری­های پریودنتال در حداقل زمان کمک کننده باشد.
کلیدواژه‌های فارسی مقاله بیماری پریودنتال، تشخیص، مدل شبکه‌ی عصبی
عنوان انگلیسی Diagnosis of periodontal disease with Levenberg-Marquardt algorithm
چکیده انگلیسی مقاله Abstract:   Background: Periodontal disease is one of the most common infectious diseases of the mouth. Correct and early diagnosis can reduce the incidence of adverse effects. The aim of this study was to evaluate the accuracy and efficiency of artificial neural network in the diagnosis of periodontal disease. Material and Methods: The Diagnostic Study were performed from 230 periodontal disease cases in Zahedan Dentistry School in the period of time between 2015 and 2016. 5 variables including age, gender, plaque index, probing pocket depth, and clinical attachment loss index were evaluated in these people. The artificial neural network model with propagation algorithm of Levenberg-Marquardt training function was used. Positive predictive value and negative predictive value were used to evaluate the network at the test stage. Result: The results show that the back propagation network with the structure of 5-20-4-2 and the Levenberg-Marquardt algorithm and the use of the same transfer functions in all layers (sigmoid hyperbolic tangent) can be used as an efficient teaching function in Diagnosis of periodontal disease. The values of positive and negative predictive values were 94.7 and 80 percent respectively. The software output yielded significant amounts of time (4.5870) and regression for train, test and overall (0.7454, 0.9749, 0.9254).   Conclusion: It seems, artificial neural networks can be helpful for diagnosis of periodontal disease at least time. Keywords: Periodontal disease, Diagnosis, neural network model  
کلیدواژه‌های انگلیسی مقاله Periodontal disease, Diagnosis, neural network model
نویسندگان مقاله فرزاد فیروزی جهانتیغ | f firouzi jahantigh
university of sistan amp; balouchestan
دانشگاه سیستان و بلوچستان
سازمان اصلی تایید شده: دانشگاه سیستان و بلوچستان (Sistan va baloochestan university)

سمین اربابی | s arbabi
university of sistan amp; balouchestan
دانشگاه سیستان و بلوچستان
سازمان اصلی تایید شده: دانشگاه سیستان و بلوچستان (Sistan va baloochestan university)

سمیه انصاری مقدم | s ansari moghadam
zahedan university of medical sciences
دانشگاه علوم پزشکی زاهدان
سازمان اصلی تایید شده: دانشگاه علوم پزشکی زاهدان (Zahedan university of medical sciences)

نشانی اینترنتی http://jrds.ir/browse.php?a_code=A-10-1227-1&slc_lang=fa&sid=fa
فایل مقاله دریافت فایل مقاله
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده پریو
نوع مقاله منتشر شده مروری
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات