fa اندازه‌گیری MCV (حجم متوسط گلبول‌های قرمز خون) غیرنرمال با استفاده از سیستم عصبی-فازی تطبیقی به روش پردازش تصویر ناباروری Sterility پژوهشی اصيل Original Research <p dir="RTL" style="text-align: justify"><span style="font-size:12px;"><span style="font-family:iransharp;"><strong>اهداف: </strong>اندازه، شکل و حجم گلبول قرمز فاکتور‌های مهمی در تشخیص ناهنجاری‌های مربوط به گلبول‌های قرمز از قبیل کمبود آهن و کم‌خونی هستند. روزانه هزاران نمونه خون در آزمایشگاه‌های پاتولوژی سراسر دنیا با میکروسکوپ و دستگاه خودکار شمارنده سلولی بررسی می‌شوند و این کار معمولاً پرهزینه و وقت‌گیر است. هدف این مطالعه، اندازه‌گیری حجم متوسط گلبول‌های قرمز خون غیرنرمال با استفاده از سیستم استنتاج عصبی- فازی تطبیقی به روش پردازش تصویر بود.<br> <strong>مواد و روش‌ها: </strong>در این پژوهش ۶۰ نمونه از آرشیو نمونه‌های خون آزمایشگاه پاتولوژی بیمارستان صارم شامل ۴۰ نمونه نرمال و ۲۰ نمونه غیرنرمال بررسی شدند. از آستانه‌گذاری محلی تطبیقی و روش کوچک‌ترین مستطیل محیط بر سلول قرمز به‌منظور استخراج قطر داخلی و خارجی گلبول قرمز برای محاسبه حجم متوسط سلول‌های قرمز خون استفاده شد. برای طبقه‌بندی نمونه‌های خون به دو گروه نرمال و غیرنرمال از <span dir="LTR">ANFIS</span> استفاده شد. در این روش، نمونه‌های خون نرمال و غیرنرمال با استفاده از تکنیک‌های پردازش تصویر و نرم‌افزار <span dir="LTR">MATLAB</span> بررسی شد.<br> <strong>یافته‌ها: </strong>دقت روش پیشنهادی و مساحت زیر منحنی به‌ترتیب ۹۶/۶% و ۰</span><span style="font-family: iransharp;">/۹۹۵% به دست آمد</span><span dir="LTR" style="font-family: iransharp;">.</span></span></p> <p dir="RTL" style="text-align: justify"><span style="font-size:12px;"><span style="font-family:iransharp;"><strong>نتیجه‌گیری: </strong>روش پیشنهادی قابلیت تشخیص با استفاده از یک قطره خون را فراهم می‌کند و روی تصاویر پاتولوژیک عملکرد خوبی دارد. سیستم اتوماتیک طراحی‌شده می‌تواند جایگزینی مناسب و مقرون‌به‌صرفه برای روش‌های معمول آزمایشگاهی باشد. به‌علاوه، این روش می‌تواند پایه محاسبه سایر پارامترهای آزمایش خون یا <span dir="LTR">CBC</span> از قبیل میانگین هموگلوبین سلول، میانگین غلظت هموگلوبین سلول، <span dir="LTR">RDW</span>، هماتوکریت و تعداد گلبول‌های قرمز خون باشد.<span dir="LTR"><span style="font-size:8.0pt;"></span></span></span></span><br> &nbsp;</p> <p dir="ltr" style="text-align: justify"><strong>Aims: </strong>Size, shape, and volume of Red Blood Cells are important factors in diagnosing blood-associated disorders such as iron deficiency and anemia. Every day, thousands of blood samples are tested by microscopes and automated cell counter devices in pathology laboratories around the world, which may be expensive and time-consuming. The objective of this study was to measure mean corpuscular volume of abnormal red blood cells using the adaptive neuro-fuzzy system with image processing.<br> <strong>Materials & Methods:</strong> This study was conducted on 60 blood samples from the archive of pathology laboratory of Sarem hospital including 40 normal samples and 20 abnormal samples. Adaptive local thresholding and bounding box methods were used to extract the inner and outer diameters of red cells to calculate MCV. An adaptive-network-based fuzzy inference system was used to classify blood samples to normal and abnormal groups. In this method, normal and abnormal blood samples were examined using image processing techniques and MATLAB software.<br> <strong>Findings:</strong> The Accuracy of the proposed method and area under the curve were found as 96.6% and 0.995%, respectively.<br> <strong>Conclusion</strong>: The proposed method provides diagnostic capability using a drop of the blood sample and showed suitable performance on pathological images. The designed automatic system can be a convenient and cost effective alternative for common laboratory procedures. In addition, the method provides a basis for calculating other parameters of blood test or CBC such as mean cell hemoglobin, mean cell hemoglobin concentration, RDW, hematocrit, and red blood cell count.</p> حجم متوسط گلبول‌های قرمز خون, سیستم عصبی فازی تطبیقی, پردازش تصویر Mean Cell Volume (MCV), Adaptive Neural Network Base Fuzzy Inference System (ANFIS), Image Processing 97 104 http://saremjrm.com/browse.php?a_code=A-10-1-13&slc_lang=fa&sid=1 N. Babazadeh Khameneh ناهید بابازاده خامنه 10031947532846003140 10031947532846003140 No Islamic Azad University, Pardis Branch Tehran, Iran دانشگاه آزاد اسلامی، واحد پردیس، تهران، ایران P. Salehian پیروز صالحیان piroozsalehian@yahoo.com 10031947532846003141 10031947532846003141 Yes Sarem Fertility & Infertility Research Center (SAFIR), Sarem Women’s Hospital, Tehran, Iran مرکز تحقیقات باروری و ناباروری صارم، بیمارستان فوق تخصصی صارم، تهران، ایران H. Arabalibeik حسین عربعلی‌بیک 10031947532846003142 10031947532846003142 No مرکز تحقیقات علوم و تکنولوژی در پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران S. Setayeshi سعید ستایشی 10031947532846003143 10031947532846003143 No Energy Engineering & Physics Department, Amirkabir University of Technology, Tehran, Iran گروه پرتو پزشکی، دانشکده مهندسی انرژی و فیزیک، دانشگاه صنعتی امیرکبیر، تهران، ایران