بهبود تشخیص بیماری های شبکیه چشم در تصاویر OCTبا استفاده یادگیری عمیق

امروزه تشخیص بیماری با استفاده از پردازش تصاویر پزشکی به امری رایج و پرکاربرد تبدیل شده است. یکی از این کاربردهایمفید، تکنیک تصویر برداری توموگرافی همدوسی نوری به منظور تشخیص زودهنگام بیماری های مرتبط با چشم پزشکی است.پیش بینی پاسخ به درمان و پردازش بر روی نمونه های حجمی و تجزیه شده از ساختارهای داخلی چشم مانند شبکیه با این روشممکن است. از سوی دیگر، تشخیص ماشینی بیماری های چشم منجر به شناسایی هوشمند و از راه دور این بیماری ها می شود.همچنین چشم پزشک می تواند با کمک این سیستم تصمیماتی صحیح در خصوص تشخیص بیماری ارائه دهد. در پیشینه یپژوهش روش های متفاوتی در پیش بینی انحطاط ماکولای دیابتی با تصاویر توموگرافی همدوسی نوری، التراسونوگرافی و الگوریتمهای ابتکاری مطرح شد اما بطور کلی روش های تشخیص خودکار سیستم های تشخیصی به حوزه ی بینایی ماشین و تکنیک هاییادگیری ماشین وابستگی دارد. از طرفی جهت بهبود تشخیص و تکمیل شدن امکانات دستگاه های آزمایشی-تشخیص پزشکینیازمند تحقیقات بیشتر در این زمینه است. در این پژوهش، یک روش ترکیبی جهت تشخیص افتراق نمونه های سالم از نمونه هایبیماری چشمی ورم ماکولای دیابتی پیشنهاد می گردد. برای این مطالعه از دستگاه هایدلبرگ و حداقل ۳۰ نمونه ی آموزش برچسبگذاری شده استفاده می شود. روش پیشنهادی با تبدیل تصاویر سه بعدی به دوبعدی و استخراج ویژگی از ناحیه مورد نظر، کاهشابعاد توسط الگوریتم بهینه سازی ذرات و طبقه بند یادگیری عمیق می تواند منجر به تشخیص با بردار ویژگی بهینه گردد. نتایجبدست آمده نشان می دهد طرح پیشنهادی با الگوریتم یادگیری عمیق قادر است با نرخ خطای ۰،۰۰ درصد بیماری ورم ماکولایدیابتی از نمونه های سالم طبقه بندی نماید.

کلیدواژه ها:

شبکه های عصبی کانولوشنی ، طبقه بندی ، توموگرافی همدوسی نوری ، بهینه سازی ازدحام ذرات ، ورم ماکولا دیابتی