طراحی الگوریتمی برای تشخیص خودکار بیماری های چشمی
به گزارش پی اچ پی و جی کوئری، محققان دانشگاه تهران در زمینه تشخیص خودکار بیماری های چشمی موفق به طراحی الگوریتمی نوین و توسعه روشی برای طبقه بندی خودکار و مبتنی بر یادگیری عمیق تصاویر مقطع نگاری همدوسی اپتیکی در بیماران مبتلا به دژنراسیون وابسته به سن ماکولا شدند.
به گزارش پی اچ پی و جی کوئری به نقل از ایسنا، پژوهشگران دانشکده مهندسی برق و کامپیوتر دانشگاه تهران به سرپرستی دکتر حمید سلطانیان زاده، رئیس لابراتوار مهندسی پزشکی، برای طبقه بندی خودکار تصاویر مقطع نگاری همدوسی اپتیکی در بیماران مبتلا به دژنراسیون وابسته به سن ماکولا Age-related Macular Degeneration (AMD) روشی خودکار را توسعه داده اند.
دکتر حمید سلطانیان زاده در توضیح اهمیت این یافته پزشکی، اظهار داشت: تشخیص خودکار بیماری های چشمی یکی از حوزه های فعال تحقیقات در آنالیز تصاویر پزشکی است و دژنراسیون وابسته به سن ماکولا یکی از انواع بیماری های چشمی و متداول ترین دلیل نابینایی در کشورهای توسعه یافته بخصوص در افراد بالای ۶۰ سال است. استفاده گسترده از تصویربرداری در سالهای اخیر، افزایش جمعیت سال خورده و همینطور ماهیت مزمن این بیماری بار کاری متخصصین چشم پزشکی و سیستم سلامت را افزایش داده است. از سوی دیگر، توسعه های صورت گرفته در هوش مصنوعی و یادگیری عمیق، فرصتی مناسب برای طراحی سیستم های خودکار تشخیصی به وجود آورده است.
استاد دانشگاه تهران اضافه کرد: در این طرح، الگوریتمی نوین طراحی شده است که از یک ساختار کانولوشنی چند مقیاسه مبتنی بر شبکه های هرمی خصوصیت برای جداسازی افراد سالم و دو حالت بیماری یعنی در وزن و نئواسکولاریزاسیون کروئیدی بهره می برد. این شبکه ها در کاربردهای بخش بندی تصاویر و تشخیص اشیاء مورد استفاده قرار گرفته اند؛ اما در این پژوهش، با انجام تغییرات ساختاری، آنها را برای طبقه بندی مورد استفاده قرار داده ایم. استفاده از ساختار چند مقیاسه در طراحی این شبکه سبب می شود تا خصوصیت های غیرقابل تشخیص در یک مقیاس، در مقیاسی دیگر بررسی شوند که باعث افزایش دقت طبقه بندی می شود.
رئیس لابراتوار مهندسی پزشکی دانشگاه تهران با اشاره به اینکه این یافته حاصل یک همکاری بین رشته ای است، اظهار نمود: برای آموزش و ارزیابی عملکرد ساختار پیشنهادی، یک مجموعه از داده های ملی شامل بیشتر از ۲۰ هزار تصویر شبکیه چشم از ۴۴۱ بیمار رجوع کننده به یک بیمارستان فوق تخصصی چشم پزشکی در تهران جمع آوری شد و توسط متخصص چشم پزشک برچسب گذاری شد. به منظور مرتفع ساختن مشکل توزیع غیریکسان داده ها از تابع هزینه آنتروپی متقاطع چند کلاسه وزن دار استفاده کردیم و ساختاری چند مقیاسه طراحی شد تا دقت دسته بندی بالاتری نسبت به مدل پایه داشته باشد. همینطور با تنظیم تعداد هرم های خصوصیت ترکیب شده، دقت را افزایش دادیم. از تاثیر مثبت پیش آموزش تدریجی بر عملکرد بهترین مدل هم استفاده کردیم و در نهایت به دقت بالای ۹۳ درصد رسیدیم.
وی ادامه داد: به منظور ایجاد تفسیرپذیری نتایج، نقشه های گرمایی را رسم کردیم. رسم نقشه های گرمایی سبب مشخص شدن ناحیه تصمیم شبکه شده و اعتماد بیمار و پزشک متخصص را به روش های مبتنی بر هوش مصنوعی بالا می برد.
دکتر سلطانیان زاده اظهار داشت: سامان ستوده پیما و عطاالله جدیری از دانشجویان همکار در این طرح بودند.
منبع: پی اچ پی و جی كوئری
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب