روش سئو: پژوهشگران دانشگاه تهران در حوزه تشخیص خودکار بیماریهای 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 روش سئو به نقل از ایسنا، پژوهشگران دانشکده مهندسی برق و کامپیوتر دانشگاه تهران به سرپرستی دکتر حمید سلطانیان زاده، رییس 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 بیماریهای چشمی یکی از حوزه های فعال تحقیقات در آنالیز تصاویر پزشکی است و دژنراسیون وابسته به سن ماکولا یکی از انواع بیماریهای چشمی و متداول ترین دلیل نابینایی در کشورهای توسعه یافته به ویژه در افراد بالای ۶۰ سال است. استفاده گسترده از تصویربرداری در سالهای اخیر، افزایش جمعیت سال خورده و همین طور ماهیت مزمن این بیماری بار کاری متخصصین چشم پزشکی و سیستم سلامت را افزایش داده است. از جانب دیگر، توسعه های انجام شده در هوش مصنوعی و یادگیری عمیق، فرصتی مناسب برای طراحی سیستم های خودکار تشخیصی ایجاد کرده 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 خاصیت 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 موجب می شود تا خاصیت های غیرقابل تشخیص در یک مقیاس، در مقیاسی دیگر بررسی شوند که سبب افزایش دقت طبقه بندی می شود.
رییس لابراتوار مهندسی پزشکی دانشگاه تهران با اعلان اینکه این یافته حاصل یک همکاری بین رشته ای است، اظهار داشت: برای آموزش و ارزیابی عملکرد ساختار پیشنهادی، یک مجموعه از داده های ملی شامل بیش از ۲۰ هزار تصویر شبکیه چشم از ۴۴۱ بیمار مراجعه کننده به یک بیمارستان فوق تخصصی چشم پزشکی در تهران جمع آوری شد و توسط متخصص چشم پزشک برچسب گذاری شد. بمنظور برطرف نمودن 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. همین طور با تنظیم تعداد هرم های خاصیت ترکیب شده، دقت را افزایش دادیم. از تأثیر مثبت پیش آموزش تدریجی بر عملکرد بهترین مدل هم استفاده کردیم و در نهایت به دقت بالای ۹۳ درصد رسیدیم.
وی ادامه داد: بمنظور ایجاد تفسیرپذیری نتایج، نقشه های گرمایی را رسم کردیم. رسم نقشه های گرمایی موجب مشخص شدن ناحیه تصمیم شبکه شده و اعتماد بیمار و پزشک متخصص را به روش های مبتنی بر هوش مصنوعی می افزاید.
دکتر سلطانیان زاده اظهار داشت: سامان ستوده پیما و عطاالله جدیری از دانشجویان همکار در این طرح بودند.
