به کارگیری یادگیری منیفلد برای تشخیص بیماری دریچه ی میترال

بیماری های قلبی یکی از اصلی ترین عوامل به خطر انداختن سلامت و زندگی انسان هستند. از مهم ترین بیماری های قلب، بیماری های مربوط به دریچه های قلب بوده که در طی سال های اخیر روندی افزایشی داشته است. تشخیص و درمان درست و به موقع این بیماری ها، بهبود کیفیت زندگی و افزایش طول عمر افراد را به دنبال دارد. از این رو محققان همواره به دنبال یافتن روش هایی برای بهبود و تسریع روند تشخیص این بیماری بوده اند. تصاویر پزشکی، فعالیت قلب انسان را بررسی و ضبط کرده و از جمله راه های اصلی تشخیص مشکلات قلبی هستند. عموما پردازش این تصاویر پیچیده و زمان بر است، به همین جهت محققان به دنبال پیدا کردن روش هایی برای ساده سازی پردازش این تصاویر هستند. یادگیری منیفلد یکی از روش های کاهش بعد غیرخطی است که الگوریتم های مختلفی داشته و می تواند موجب ساده سازی پردازش تصاویر اکوکاردیوگرافی شود. در این پژوهش با کمک یکی از الگوریتم های یادگیری منیفلد به نام LLE، تصاویر اکوکاردیوگرافی مورد بررسی قرار گرفته و سعی شده است تا با کمک روش یادگیری منیفلد داده های سالم از داده های دارای اختلال دریچه ی میترال شناسایی شده و ویژگی های جدا کننده ی سه گروه پاتولوژی دریجه ی میترال شامل MVP، MS و III-b استخراج شود. نتایج به دست آمده نشان می دهد که بیش از ۸۰% نمونه های گروه طبیعی از نظر ساختار منیفلد الگویی متفاوت با نمونه های دارای اختلال دارند.

کلیدواژه ها:

بیماری دریچه ی میترال ، کاهش بعد غیرخطی ، یادگیری منیفلد ، الگوریتم LLE