مدل یادگیری عمیق در تشخیص خودکار اسکلروزیس چندگانه با تجزیه و تحلیل عروق شبکیه با استفاده از تصاویر اسکن لیزری اوفتالموسکوپی

هدف اصلی از این مطالعه تشخیص خودکار اسکلروزیس چندگانه( ام اس) از طریق تجزیه و تحلیل تغییرات رگ های شبکیه با استفاده از تصاویر اسکن لیزر چشم پزشکی SLO است. اگرچه تاکنون تحقیقات زیادی برای تشخیص بیماران ام اس انجام شده است، اما این روش های تشخیصی همواره بر تصاویر تصویربرداری از تشدید مغناطیسی (MRI) تکیه داشته اند که به تنهایی برای تشخیص جامع این بیماری کافی نمی باشند.با استفاده از تصاویر SLO و اعمال فناوری کامپیوتری پیشرفته برای ارزیابی شرایط عروقی، ممکن است نشانگرهایی در داخل عروق شناسایی و در تشخیص بیماران ام اس کمک شود. گام اول این فرآیند شامل تبدیل تصاویر رنگی به تصاویر خاکستری است، سپس با بهره گیری از یک الگوریتم ترکیبی که شامل الگوریتم تایلر کوی Tyler Coye و تبدیل موجکی گسسته (DWT) می شود، تصاویر بهبود داده می شوند. در مرحله بعدی، تصاویر بخش بندی می شوند که این امکان را فراهم می آورد تا عروق شبکیه استخراج شود.علاوه بر این، دو تکنیک متمایز در مرحله طبقه بندی کننده مورد استفاده قرار می گیرند. در رویکرد اول، ویژگی های مختلف از ناحیه های نتیجه گرفته شده با استفاده از یادگیری ماشین کلاسیک استخراج می شوند و سپس به چندین طبقه بندی کننده وارد می شوند که نتایج آن به ما دقت ۷۲٪ را می دهد. در رویکرد دوم، تصاویر بخش بندی شده به مدل یادگیری انتقالی وارد می شوند که در تمایز میان بیماران ام اس و افراد سالم (HCs) به دقت ۹۸٪ میرسد.

کلیدواژه ها:

اسکلروزیس چندگانه ، استخراج ویژگی ، اسکن لیزری چشم پزشکی ، مدل یادگیری انتقالی ، عروق ، بخش بندی ، یادگیری ماشین