ندا یعقوبی - دانشجوی دکتری دانشگاه آزاد اسلامی واحد کازرون
حسن معصومی - دانشگاه آزاد اسلامی واحد کازرون
محمد حسین فاتحی - دانشگاه آزاد اسلامی واحد کازرون
فرشته اشتری - دانشگاه علوم پزشکی واحد اصفهان
راحله کافیه - دانشگاه علوم پزشکی واحد اصفهان

مولتیپل اسکلروزیس یا ام اس (MS)  بیماری مزمن ناشی از سیستم ایمنی است که بر سیستم عصبی مرکزی تاثیر می گذارد و منجر به اختلالات مختلف از جمله اختلالات بینایی می شود. تشخیص زودهنگام  ام اس برای درمان ، حیاتی است. اسکن لیزری افتالموسکوپی (SLO) یک تکنیک غیرتهاجمی است که تصاویر شبکیه با کیفیت بالا را ارائه می دهد و نویدبخش تشخیص زودهنگام ام اس است. این مطالعه یک رویکرد مبتنی بر رگ را با استفاده از شبکه ی (LSTM) برای تشخیص MS در تصاویر SLO مورد بررسی قرار می دهد. این مطالعه ۱۰۶ فرد سالم (HCs) و ۳۹ بیمار ام اس (۷۸ چشم) را پس از اجرای اقدامات کنترل کیفیت و حذف تصاویر بی کیفیت یا آسیب دیده، که در مجموع ۲۶۵ تصویر (۷۳ MS و ۱۹۲ HC) به دست آمد.  رویکرد ما برای تشخیص زودهنگام ام اس در تصاویر SLO با استفاده از شبکه ی LSTM می باشد. این رویکرد شامل دو مرحله کلیدی است: ۱) پیش آموزش یک شبکه عصبی عمیق بر روی یک مجموعه داده منبع و ۲) تنظیم دقیق شبکه بر روی مجموعه داده هدف متشکل از تصاویر SLO. ما بخش بندی عروق را در تشخیص ام اس و اثربخشی روش پیشنهادی خود را در بهبود مدل های تشخیصی بررسی می کنیم. مطالعه حاضر هنگامی که بر روی مجموعه داده آزمایشی شامل تصاویر SLO ارزیابی می شود، به نرخ دقت چشمگیر ۹۷.۴۴% دست می یابد. با انجام آزمایش هایی بر روی مجموعه داده های SLO و استفاده از رویکرد مبتنی بر رگ با LSTM، یافته های تجربی ما نشان از دقت مناسب مدل پیشنهادی دارد.

مولتیپل اسکلروزیس, اسکن لیزری افتالموسکوپی, آنالیز عروق, تقسیم بندی تصویر, یادگیری ماشینی, LSTM