فهرست مطالب

مهندسی پزشکی زیستی - سال هفدهم شماره 1 (بهار 1402)

فصلنامه مهندسی پزشکی زیستی
سال هفدهم شماره 1 (بهار 1402)

  • تاریخ انتشار: 1403/02/11
  • تعداد عناوین: 7
|
  • تشخیص فرکانس در رابط های مغز و رایانه مبتنی بر SSVEP با استفاده از ترکیب تجزیه PARAFAC و آنالیز مولفه های کانونی
    مریم فرهادنیا، سپیده حاجی پور*، محمد میکاییلی صفحات 1-10
    امروزه استفاده از سیستم رابط مغز و رایانه (BCI) مبتنی بر پتانسیل های برانگیخته بینایی حالت ماندگار (SSVEP) به دلایلی همچون صحت قابل قبول و نیاز حداقلی به آموزش کاربر، رو به افزایش است. پتانسیل های بینایی حالت ماندگار یکی از مهم ترین الگوهای استفاده شده در سیستم های BCI هستند که در ناحیه پس سری مغز و با تحریک بینایی بین 6 تا 60 هرتز تولید می شوند. یکی از روش های کارا برای استخراج فرکانس SSVEP در سیستم های BCI، روش تجزیه و تحلیل ضرایب همبستگی چندجهته (MCCA) نام دارد که تانسوری شده روش کلاسیک تجزیه و تحلیل ضرایب همبستگی (CCA) است و مبتنی بر داده های چندبعدی است. در این مقاله، با الهام از روش MCCA، دو الگوریتم جدید (PARAFAC-CCA و C-PARAFAC-CCA) با استفاده از ترکیب روش CCA و تجزیه تانسوری PARAFAC معرفی شده است که هدف الگوریتم های پیشنهادی بهبود سیگنال مرجع اولیه و دستیابی به صحت بالاتر در تشخیص فرکانس SSVEP در سیستم های BCI می باشد. در الگوریتم PARAFAC-CCA بعد از انجام تجزیه PARAFAC روی داده های چندبعدی آموزش و بدست آوردن مولفه زمانی، روش CCA را بین مولفه زمانی بدست آمده و سیگنال مرجع سینوسی-کسینوسی پیاده سازی نموده و از خروجی آن، سیگنال مرجع بهینه ساخته می شود. در نهایت از الگوریتم MLR بین داده تست EEG و سیگنال مرجع بهینه به منظور دستیابی به فرکانس هدف استفاده می شود. مراحل کلی الگوریتم C-PARAFAC-CCA نیز مشابه PARAFAC-CCA بوده، با این تفاوت که در محاسبه مولفه زمانی از PARAFAC مقید استفاده می شود به این صورت که در هر گام از الگوریتم ALS یک بار CCA اعمال شده و مولفه زمانی بهبود داده می شود. کارایی الگوریتم های ارائه شده بر روی مجموعه دادگان واقعی، مورد بررسی قرار گرفته و نشان داده شد که در مقایسه با روش MCCA، الگوریتم های پیشنهادی به طور میانگین به صحت تشخیصی بالاتری رسیده اند.
    کلیدواژگان: الکتروانسفالوگرام (EEG)، رابط مغز و رایانه، پتانسیل بینایی حالت ماندگار، تجزیه و تحلیل همبستگی کانونی چندجهته، تجزیه تانسوری PARAFAC
  • بررسی عملکرد الگوریتم های فرا ابتکاری در استخراج پارامترهای مدل دینامیکی سیگنال ECG
    جواد دلاور متنق، حامد داننده حصار*، محمدهادی احمدی فام صفحات 11-20

    در سال های اخیر استفاده از الگوریتم های مدل-پایه برای پردازش سیگنال ECG رواج گسترده ای یافته است. استخراج مدل دینامیکی ECG یکی از مراحل مهم در این الگوریتم هاست که تاثیر مستقیمی در عملکرد آن ها دارد. پارامترهای موجود در این مدل را می توان با استفاده از الگوریتم های بهینه سازی محاسبه نمود. یکی از متداولترین الگوریتم ها در این زمینه یک الگوریتم غیرخطی آفلاین می باشد که برای تقریب خوب مدل و پارامترهای آن، به نقاطی از سیگنال ECG نیاز دارد که توسط کاربر بایستی به صورت دستی انتخاب شود. علاوه بر مشکل فوق، تابع هدف در این الگوریتم یک تابع پیچیده است که درصورت انتخاب نادرست نقاط مناسب برای بهینه سازی خروجی مناسبی را دراختیار نخواهد گذاشت. در این مقاله یک الگوریتم جدید خودکار مبتنی بر الگوریتم های فراابتکاری معرفی می شود که نیازی به انتخاب دستی نقاط برای مدلسازی ECG ندارد. بعلاوه بخاطر ساده سازی فرآیند بهینه سازی، از دقت بالایی نسبت به الگوریتم بهینه سازی غیرخطی افلاین مورد اشاره برخوردار است. ازآنجایی که یک الگوریتم فراابتکاری ممکن است در برخی از مسائل بهینه سازی موفق و در برخی دیگر ناموفق عمل کند، در این مقاله عملکرد 9 الگوریتم فراابتکاری متداول مانند ازدحام ذرات، کلونی زنبور عسل، جستجوی فاخته و... در استخراج پارامترهای مدل دینامیکی ECG مورد بررسی قرار گرفت. جهت ارزیابی الگوریتم ها از 200 سیگنال ثانیه ای مستخرج از پایگاه داده ی ریتم سینوس نرمال فیزیونت استفاده گردید. به منظور ارزیابی عملکرد الگوریتم ها، شباهت سیگنال های اصلی با سیگنال های مصنوعی ECG که توسط الگوریتمهای بهینه سازیساخته می شدند مورد بررسی قرار گرفت. نتایج بررسی ها حاکی از آن بود که سه الگوریتم جستجوی فاخته، بهینه سازی مبتنی بر یادگیری و آموزش و بهینه سازی تبخیر آب بهترین عملکرد را در استخراج پارامترهای مدل دینامیکی ECG دارند. نتایج حاصل از این مطالعه نشان داده که خطای میانگین مربعات (MSE) الگوریتم پیشنهادی با استفاده از سه الگوریتم فراابتکاری فوق به ترتیب 50/1و 43/1و 40/1 می باشد.

    کلیدواژگان: بهینه سازی فرا ابتکاری، پردازش سیگنال ECG، مدل دینامیکی ECG
  • تقویت حافظه کاری خلبانان با استفاده از تحریک الکتریکی
    الناز حمزه، زهرا بهمنی دهکردی*، محمد رستمی صفحات 31-40
    حافظه کاری در کارکردهای اجرایی از اهمیت بالایی برخوردار بوده و حافظه کاری کلامی نقش حیاتی در بهینه سازی عملکرد کاربران سیستم‏های پیچیده مانند خلبانان دارد اما ظرفیت آن محدود است. تحقیقات وسیعی با هدف بهبود ظرفیت حافظه کاری بینایی انجام شده است اما اطلاعات اندکی درمورد حافظه کاری شنیداری بویژه در خلبانان در دسترس است. هدف از این مطالعه بررسی تاثیرات تحریک الکتریکی فراجمجمه ای بر حافظه کاری کلامی خلبانان درحین انجام تسک شنیداری می باشد. تسک شنیداری شامل آواهای غیرتکراری، حاوی تعداد برابری از اعداد و حروف انگلیسی تصادفی با توزیع یکنواخت می باشند که در گوشی خلبان پخش می شوند و خلبان موظف است پس از شنیدن هر آوا آن را بازگو کند. تسک در شش سطح از آسان تا سخت طراحی شده، در هر سطح تعداد کاراکترها 2 تا افزایش می یابد و به ازای هر سطح، 5 آوا وجود دارد. بنابراین در هر جلسه، 30 آوا متشکل از 4 تا 14 کاراکتر ارائه می شود. پیش از شروع تسک، تحریک الکتریکی با شدت جریان 2 میلی آمپر اعمال می شود. این آزمایش شامل سه مرحله پایه (بدون تحریک)، شم (تحریک ساختگی) و آندال (تحریک اصلی) است. مدت زمان اعمال تحریک در حالت شم 30 ثانیه و در حالت آندال 10 دقیقه می باشد. درنهایت با بررسی پاسخ آزمودنی ها و تعداد کاراکترهایی که درست بخاطر سپرده شده اند، با استفاده از آزمون های آماری تغییرات عملکرد خلبانان را بررسی کردیم. درنتیجه با درنظر گرفتن همه سطوح دشواری در کنارهم، بهبود معنی داری در ظرفیت حافظه کاری با تحریک آندال ("%6/40") نسبت به حالت پایه مشاهده شد؛ هم چنین نشان داده شد در سطوح دشوارتر تسک، عملکرد خلبانان پس از اعمال تحریک نسبت به حالت پایه بهبود معنی داری داشته است (سطح چهار: "%12/20" ، سطح پنج: "%9/00" و سطح شش: "%10/44"). بنابراین، نتایج این تحقیق می تواند برای یافتن بینشی عمیق تر در مورد مکانیسم عصبی حافظه کاری و استفاده از آن برای تقویت انسان مفید باشد.
    کلیدواژگان: تقویت انسان، حافظه کاری، خلبان، تسک شنیداری، تحریک الکتریکی
  • اثر جهت گیری فیبرهای ماتریس خارج سلولی تحت جریان سیال بر رگزایی سلولهای اندوتلیال با استفاده از مدل سلولی پاتس
    پویا عبدی، بهمن وحیدی* صفحات 41-50
    توپوگرافی ماتریس خارج سلولی نقش مهمی در بسیاری از رویدادهای بیولوژیکی از جمله بهبود بافت، مورفوژنز و رشد دارد. مشخص شده است که ساختار ماتریس و خواص مکانیکی آن از جمله عوامل تعیین کننده در تعیین سرنوشت سلول های ساکن آن هستند. علاوه بر عوامل مستقیم مکانیکی، ماتریس ها همچنین آزادسازی و جذب برخی مواد شیمیایی را تسهیل می کنند و در برهم کنش های سلولی و سلول- ماتریس شرکت می کنند. ثابت شده است که کرنش های مکانیکی در ماتریس، مهاجرت و طویل شدن سلول های اندوتلیال را که منجر به رگ زایی می شود، هدایت می کنند و اتفاق نظر وجود دارد که سفتی ماتریس، تراکم فیبر و جهت گیری فیبر می تواند رگ زایی را در جهت گرادیان سفتی افزایش دهد. در این مطالعه، به طور خاص نقش توپوگرافی در هدایت خودسازماندهی سلول های اندوتلیال ناشی از اثر مانع در مقابل جریان مایع و تسهیل جابجایی سلولی در جهت های خاص بررسی شد. برای این کار مدل قبلی خود از رگ زایی هدایت شده با جریان مایع را برای پاسخ های سلولی انتخاب کردیم. مدل شبکه بولتزمن جریان سیال برای مطالعه اثر الیاف یک طرفه و جهت گیری های تصادفی الیاف اتخاذ و اصلاح شد. برای مطالعه اثر جهت گیری فیبر، یک مدل پیشنهادی قبلی از تخلخل در شبکه بولتزمن را برای مطابقت با این هدف اصلاح و بهبود داده شد. این مدل می تواند اثرات جهت گیری فیبر در ماتریس را بر مهاجرت اندوتلیال و وسکولوژنز بازتولید کند. شبیه سازی ها پیوستگی بهتر لومن های تشکیل شده را زمانی که جریان محلی در جهت جهت فیبر باشد، نشان داد. این نتایج می تواند پیامدهای قابل مطالعه ای در درک نارسایی های سلول های اندوتلیال در برخی بیماری ها و همچنین در رگ زایی و متاستاز تومور داشته باشد.
    کلیدواژگان: مدلسازی سلولی، رگزایی، ماتریس خارج سلولی، آرایش فیبری، هدایت سلولی
  • بررسی اثر نسبت منظری کانال و غلظت پلیمر PEO روی جدایش ذرات زیستی 100 تا 1000 نانومتری با استفاده از خواص ویسکوالاستیک جریان در میکروکانال
    لیلا کرمی منفرد، شهرام طالبی*، مهدی محمدی آشان صفحات 41-50
    امروزه شناخت زود هنگام بیماری های شایعی ازجمله سرطان، نقش اساسی را در جلوگیری از پیشرفت بیماری ایفا می کند. از میان روش های مختلفی که برای پایش خون در سال های اخیر ابداع شده اند، روش های مبتنی بر به کارگیری جریان در مقیاس میکرو مورد توجه ویژه ای قرار گرفته است. تحقیقات اخیر در مورد حامل های خارجی سلولی در اندازه ی نانو در پزشکی مورد توجه است. از میان آن ها جداسازی نانوذرات زیستی در تشخیص، درمان و مراقبت در حوزه ی پزشکی بسیار پرکاربرد است. نانوذرات زیستی مانند انواع ویروس ها، DNA، پروتئین ها و اگزوزوم-ها حاوی اطلاعات قابل توجهی هستند که می توانند به تشخیص و درمان بیماری هایی از قبیل سرطان کمک کنند. یکی از روش های کاربردی و موثر در جدایش نانوذرات استفاده از سیال ویسکوالاستیک است، که پیچیدگی های سایر روش ها را ندارد. برخلاف میکروذرات، فراوانی مطالعات در حوزه نانوذرات زیستی کم است. از آنجایی که تحقیقات قبلی در حوزه جدایش نانوذرات فاقد اطلاعات جامع عددی در مورد اثر نسبت منظری و غلظت پلیمر است، در این مقاله جریان سیال ویسکوالاستیک به همراه فیزیک ذرات به طور عددی با نرم افزار کامسول مدل سازی شده است. پارامترهای موثر نسبت منظری 1، 5/1 و2 و غلظت پلیمر 05/0، 15/0 و 25/0 درصد در جداسازی ذرات 100 تا 1000 نانومتری بررسی شده است. جداسازی ذرات 100، 300 و 500 نانومتر در غلظت 05/0 درصد و کانال با نسبت منظری 1 و 5/1 از سایر ذرات حاصل شده است. از طرفی جداسازی ذره 100 نانومتری اگزوزوم از سایر ذرات در نسبت منظری 2 و غلظت پلیمر 05/0 درصد به عنوان بهترین انتخاب، به خوبی امکان پذیر است.
    کلیدواژگان: جداسازی، نانوذرات، سیال ویسکوالاستیک، ذرات زیستی، میکروسیال
  • مدل محاسباتی توسعه یافته ی پخش اکسیژن ناشی از رگ زایی در یک تودینه ی سرطانی
    محمود برزوئی، مجتبی عمادی بایگی*، محمد مردانی، حسن ربانی صفحات 51-60
    بررسی و تحلیل دینامیک رشد و تغییرات تودینه های مهاجم در پاسخ به شرایط ریزمحیطی متفاوت، جهت طراحی رویکرد های درمانی بسیار مهم است. رسیدن یک تودینه به حداکثر میزان رشد غیرعروقی سبب شروع رقابت یاخته های آن جهت رسیدن به منابع غذایی و اکسیژن بیشتر شده و فرآیندهای پیچیده ای را در مسیر تحول خود آغاز می کند. فهم توزیع اکسیژن در محیط تودینه برای مطالعه ی پیچیدگی های موجود در روند پیشرفت سرطان اهمیت ویژه ای دارد. مدل های فیزیکی موجود برای بررسی توزیع اکسیژن در تودینه ها بر اساس معادلات واکنش-پخش هستند که عامل هایی مانند تشکیل و توزیع شبکه ی عروقی جدید در آن موثر است. در این مطالعه، یک مدل محاسباتی برای بررسی توزیع اکسیژن با توجه به تشکیل شبکه ی عروقی در یک تودینه ی کم اکسیژن شده را ارائه کرده ایم که نسبت به بسیاری از روش های معمول، محدودیت ها و پیچیدگی-های محاسباتی بسیار کمتری دارد و حجم محاسبات را کاهش می دهد. این مدل، زمانی که با داده های بالینی کافی تکمیل شود، می تواند به توسعه ی ابزارهای کارآمد در رویکرد درمانی برخی سرطان ها منجر شود.
    کلیدواژگان: دینامیک تودینه، شبکه ی عروقی، معادله ی واکنش-پخش، توزیع اکسیژن
  • به کارگیری سیستم استنتاج فازی در پیش پردازش جهت بهبود بخش بندی ضایعات سکته مغزی با استفاده از شبکه عصبی عمیق U-net
    محمدمهدی علیمرادی، محمدباقر خدابخشی*، شهریار جاماسب صفحات 61-70

    سکته مغزی یکی از علل مرگ و میر و عامل اصلی ایجاد ناتوانی بیماران در کشورهای توسعه یافته است. به طور معمول شناسایی ضایعات سکته مغزی به وسیله تصویربرداری مغناطیسی صورت می گیرد و تحلیل آن نیازمند حضور مستمر پزشک در مرکز درمانی است. لذا پردازش هوشمند تصاویر پزشکی رویکردی موثر برای تشخیص خودکار ضایعات مغزی خواهد بود.در این مقاله یک چارچوب تلفیقی جدید بر مبنای سیستم استنتاج فازی و شبکه عصبی عمیق برای بخش بندی خودکار ضایعات مغزی معرفی شده است. در این راستا، ابتدا به معرفی یک شبکه عمیق یونت (U-net) بهبود یافته برای تشخیص و بخش بندی ضایعه پرداخته شده است که شامل افزایش تعداد لایه های بخش های رمزگذار و رمزگشا به همراه تغییر توابع فعالسازی است. سپس با به کارگیری یک سیستم استنتاج فازی مبتنی بر قواعد اگر-آنگاه ، رویکرد پیشنهادی این مطالعه که بر مبنای پیش پردازش تصاویر ورودی و به کارگیری شبکه یونت است، معرفی گردیده است.نتایج نشان داد، تلفیق سیستم استنتاج فازی در پیش پردازش با شبکه عمیق یونت توانست ضریب دایس را تا میزان 84/0 افزایش دهد. به علاوه، بهبود کنتراست تصاویر ورودی توسط سیستم فازی نسبت به روش یکسان سازی هیستوگرام، عملکرد بسیار بهتری در تشخیص ضایعات با ابعاد کوچک بروز دادند که دلیل آن توانمندی بیشتر کنترل کنتراست در قواعد فازی است.

    کلیدواژگان: ضایعه سکته مغزی، سکته ایسکمیک، تصاویر رزونانس مغناطیسی، یادگیری عمیق، شبکه U-net، سیستم استنتاج فازی
|
  • Frequency recognition in SSVEP-based BCIs using combination of PARAFAC decomposition and Canonical Component Analysis
    Maryam Farhadnia, Sepideh Hajipour *, Mohammad Mikaili Pages 1-10
    Today, usage of brain-computer interface systems based on steady-state visual evoked potentials (SSVEPs) has been increased due to some advantages such as acceptable accuracy and minimal need for user training. Steady-state visual potentials are one of the most important patterns used in BCI systems, which are generated in the occipital region of the brain by visual stimulation between 6 and 60 Hz. One of the effective methods for extracting the SSVEP frequency in BCI systems is called the Multiway Correlation Coefficient Analysis (MCCA) method, which is a tensorized version of the classical Correlation Coefficient Analysis (CCA) method and is based on multidimensional data.In this paper, inspired by the MCCA method, two new algorithms (PARAFAC-CCA and C-PARAFAC-CCA) have been proposed using the combination of CCA and PARAFAC decomposition. The purpose of the proposed algorithms is to improve the initial reference signal and achieve higher accuracy in SSVEP frequency detection in BCI systems. In the PARAFAC-CCA algorithm, after performing the PARAFAC decomposition on the multidimensional training data and obtaining the time component, the CCA method is implemented between the obtained time component and the sine-cosine reference signal, and the optimal reference signal is made from its output. Finally, the MLR algorithm is used between the EEG test data and the optimal reference signal in order to achieve the target frequency. The general steps of the C-PARAFAC-CCA algorithm are also similar to PARAFAC-CCA, with the difference that in the calculation of the time component, constrained PARAFAC is used in such a way that in each step of the ALS algorithm, CCA is applied once and the time component is improved. The efficiency of the proposed algorithms was investigated on the real data set and it was shown that compared to the MCCA method, the proposed algorithms have reached a higher average accuracy.
    Keywords: Electroencephalogram (EEG), Brain-Computer Interface (BCI). Steady State Visual Evoked Potential (SSVEP), Multivariate Canonical Correlation Analysis (MCCA), PARAFAC decomposition
  • Performance Investigation of Meta-Heuristic Algorithms in Estimation of ECG Dynamic Model Parameters
    Javad Delavar Matanaq, Hamed Danandeh Hesar *, MohammadHadi Ahmadi Fam Pages 11-20

    In recent years, model-based ECG processing algorithms have been successfully developed in various fileds of ECG processing. The calculation of ECG dynamic model (EDM) is a crucial step for these methods. The EDM parameters can be calculated using optimization algorithms. One of the popular optimization methods in this field is an offline nonlinear method in which users have to manually select points on ECG signal in order to calculate EDM parameters. The objective function used in this algorithm is a complex function which is hard to optimize. In this paper an automatic optimization algorithm is proposed which uses meta-heuristic optimization algorithms to calculate EDM parameters. In this algorithm, we don’t need to select points manually. In addition, the objective function in this algorithm is broken in to several simple objective functions which makes the optimization more accurate. Meta-heuristic optimization algorithms may perform successfully on some optimization problems while failing on others. As a result, a specific algorithm cannot be considered the best optimizer for all optimization problems. For this reason, in this paper, the performances of nine popular meta-heuristic algorithms such as particle swarm optimization, artificial bee colony, cucko search, etc are investigated. In this paper, 200 ECG segments from different records of the MIT-BIH Normal Sinus Rhythm Database (NSRDB) have been selected for evaluation. The duration of each segment was 30 seconds. The EDM parameters for each segment were calculated using the aforemetinoned optimization algorithms. For evaluation, the similarities between the original signals and the synthetic ECG signals were inspected for each optimization algorithm. These synthetic signals were created using the calculated EDM parameters. The similarity results showed that the water evaporation optimization (WEO), teaching learning-based optimization (TLBO), and cucko’s search (CS) algorithms achived better results compared with other methods.

    Keywords: Meta heuristic Optimization, ECG Processing, ECG Dynamic Model
  • Augmentation of working memory by electrical stimulation of pilot’s brain
    Elnaz Hamze, Zahra Bahmani Dehkordi *, Mohammad Rostami Pages 31-40
    Working memory (WM) is an important cognitive function. Since WM capacity is limited, extensive research has been executed to improve it. Previous studies demonstrated that applying transcranial direct current stimulation (tDCS) over the left dorsolateral prefrontal cortex (DLPFC) enhances visual WM. Capacity enhancement of WM has a significant effect on the pilot's efficiency. However, little is known about the auditory-verbal WM of Pilots. Therefore, the aim of this study is to evaluate the effects of tDCS over the left DLPFC on the WM capacity augmentation of pilots. The auditory-verbal WM stimuli comprise characters that are random numbers and alphabet letters. The stimulus is presented through the pilot's headset, and he has been persuaded to memorize the auditory stimulus and repeat the memorized characters. The auditory task is a set of 30 voices and is designed in 6 stages. The task starts from the easiest stage (4 characters) and continues with 2 increments of characters per stage to the most difficult stage (14 characters). The experiment was conducted under three conditions: baseline, sham, and anodal-tDCS. Before running the task, 2mA electrical stimulation with a duration of 30 seconds for the sham and 10 minutes for the anodal-tDCS conditions, was applied over the left DLPFC region of pilots. The performance measure is the number of correct remembered characters. Statistical hypotheses showed significant effects of anodal-tDCS in comparison to baseline condition as follows: %6.41 WM enhancement by considering all stages; and also improved performance around %12.20 in stage 4, %9.00 in stage 5, and %10.44 in stage 6 which are the most difficult stages. As a result, we found that 2mA anodal-tDCS over the left DLPFC can modulate WM capacity. The current study can be utilized to discover evidence of cognitive, behavioral, or neural mechanisms of WM and its application for human augmentation.
    Keywords: Human Enhancement, Working Memory, Pilot, Auditory task, electrical stimulation, Dorsolateral prefrontal cortex
  • Effect of matrix fiber orientation under fluid flow on endothelial vasculogenesis using Cellular Potts model
    Pooya Abdi, Bahman Vahidi * Pages 41-50
    Topography of extracellular matrix plays a major role in many biological events including tissue healing, morphogenesis and growth. It is known that matrix constitution and mechanical properties are deciding factors in governing the fate of its inhabitant cells. Besides the direct mechanical cues, matrices also facilitate the release and uptake of certain chemicals and participate in cell-cell and cell-ECM crosstalk. Mechanical strains in the matrix are proved to direct endothelial cell migration and elongation leading to angiogenesis, and there is a consensus that matrix stiffness, fiber density and fiber orientation can enhance angiogenesis in the preferred direction of stiffness gradient. In this study, we specifically investigated the role of topography in guidance of endothelial self-reorganization prompted by the effect of fluid flow hindrance and facilitation in certain directions. We adopted our previous model of fluid flow guided angiogenesis for cellular responses. Lattice Boltzmann model of fluid flow was adopted and modified to study the effect of unidirectional and randomly oriented fibers. To study the effect of fiber orientation, we customized a previously proposed model of porosity in lattice Boltzmann to suit this purpose. This model could reproduce the effects of fiber orientations in matrix on endothelial migration and vasculogenesis. Simulations showed better confluency of formed lumens when prescribed flow is in the direction of fiber orientation. These results can have further implications in understanding endothelial complications in certain diseases as well as in tumor angiogenesis and metastasis.
    Keywords: Cellular Potts model, Angiogenesis, Extracellular matrix, Fiber Orientation, Cellular guidance
  • Investigation of channel aspect ratio and PEO polymer concentration effect on separation of bio particle in 100nm up to 1000nm using viscoelastic fluid in micro channel
    Leila Karami Monfared, Shahram Talebi *, Mehdi Mohammadiashani Pages 41-50
    Early recognition of common diseases, including cancer, plays an essential role in preventing the progression of the disease. Among the various methods that have been invented for blood monitoring in recent years, the methods based on the use of micro-scale flow have received special attention. Isolation of biological nanoparticles is widely used in diagnosis, treatment and care in the field of medicine. Recent research on nano-sized extracellular carriers is of interest in the field of medicine. Biological nanoparticles such as viruses, DNA, proteins and exosomes contain significant information that can help diagnose and treat diseases such as cancer. One of the practical and effective methods for separating nanoparticles is the use of viscoelastic fluid, which does not have the complications of other methods. Unlike microparticles, the number of studies in the field of bio nanoparticles is low. Since previous research in the field of nanoparticle separation lacks comprehensive numerical information about the effect of aspect ratio and polymer concentration, in this article, the viscoelastic fluid flow along with particle physics has been numerically simulated with Comsol Multiphysics software. The effective parameters including aspect ratio 1, 1.5 and 2 and polymer concentration 0.05, 0.15 and 0.25 % have been investigated in the separation of 1000 up to 100 nm particles. Separation of 300 and 500 nm particles at a concentration of 0.05% and the channel with an aspect ratio 1 and 1.5 has been obtained from the other particles. It is possible to separate the particle 100nm as exosome particle from the other particles at an aspect ratio 2 and a polymer concentration of 0.05% as the best choice
    Keywords: Separation, bio particle, viscoelastic fluid, Nanoparticle, Microfluidic
  • A developed computational model of oxygen diffusion caused by angiogenesis in a cancer tissue
    Mohamood Borzouei, Modjtaba Emadi-Baygi *, Mohammad Mardaani, Hasan Rabani Pages 51-60
    It is critical for developing treatment strategies to investigate and analyze the growth dynamics and changes of invasive tumors in response to various microenvironmental conditions. When a tumor reaches its maximum amount of non-vascular growth, its cells compete for more food and oxygen sources, triggering complex processes in its evolution. Understanding the distribution of oxygen in the tumor environment is critical for unraveling the complexities of cancer progression. Existing physical models for studying oxygen distribution in tumors are based on reaction-diffusion equations, which include factors such as the formation and distribution of the new vascular network. In this study, we presented a computational model to investigate the distribution of oxygen in a hypoxic tumor based on the formation of the vascular network, which has fewer limitations and computational complexity than many common methods and reduces the volume of calculations. When complete with sufficient clinical data, this model can lead to the development of efficient tools in the treatment strategy of some cancers.
    Keywords: Tumor dynamic, Vascular network, reaction-diffusion equation, oxygen distribution
  • Fuzzy Inference System in Pre-processing to Improve Stroke Lesion Segmentation using U-net Deep Neural Network
    MohammadMahdi Alimoradi, MohammadBagher Khodabakhshi *, Shahriar Jamasb Pages 61-70

    Stroke is one of the causes of death and the main cause of disability in developed countries. Normally, identification of stroke lesions is done by magnetic imaging, and its analysis requires the continuous presence of a doctor in the treatment center. Therefore, intelligent processing of medical images will be an effective approach for automatic diagnosis of brain lesions.In this paper, a new integrated framework based on fuzzy inference system and deep neural network for automatic segmentation of brain lesions is introduced. In this regard, firstly, an improved U-net deep network (U-net) has been introduced for lesion detection and segmentation, which includes increasing the number of encoder and decoder layers along with changing the activation functions. Then, by using a fuzzy inference system based on if-then rules used by membership functions, the proposed approach of this study, which is based on the pre-processing of input images and the use of the unit network, has been introduced.The results showed that the integration of the fuzzy inference system in the pre-processing with the improved deep network could increase the DICE coefficient up to 0.84. In addition, improving the contrast of the input images by the fuzzy system compared to the usual pre-processing methods such as histogram equalization showed a much better performance in the detection of lesions with small dimensions, which is due to the ability to control the amount of contrast increase in the fuzzy systems compared to the usual methods.

    Keywords: Stroke lesion, Magnetic Resonance Images, Deep Learning, U-net Network, Fuzzy Inference System