طراحی سیستم خودکار جهت انتخاب سایز کیج و دیسک مصنوعی بر اساس پردازش تصویر رادیوگرافی

بیماریهای ستون فقرات از جمله شایعترین اختلالات اسکلتی عضلانی هستند که تشخیص دقیق و به موقع آنها نقش مهمی در انتخاب روش درمان و افزایش موفقیت جراحی دارد. تصاویر رادیوگرافی به دلیل هزینه پایین، دسترسی آسان و کاربرد گسترده، یکی از مهمترین ابزارهای تشخیصی در ارزیابی بیماران مبتلا به اختلالات ستون فقرات محسوب می شوند. با این حال، تفسیر این تصاویر به تجربه متخصص وابسته بوده و ممکن است با خطاهای انسانی و اختلاف نظر بین پزشکان همراه باشد. در این پژوهش، یک سامانه مبتنی بر یادگیری عمیق برای استخراج خودکار یافته های رادیولوژیکی از تصاویر رادیوگرافی ستون فقرات ارائه شده است. بدین منظور، از معماری ۱۸-ResNet به عنوان هسته اصلی استخراج ویژگی استفاده شد. مجموعه داده پژوهش شامل ۱۴۰ تصویر رادیوگرافی ستون فقرات بود که از مجموعه داده VinD-Spine و همچنین آرشیو تصاویر یک مرکز درمانی تهیه شدند. پس از انجام مراحل پیش پردازش شامل بررسی کیفیت، تصاویر تغییر اندازه و نرمال سازی، تصاویر به صورت تصادفی به دو بخش آموزش (۸۰ درصد) و آزمون (۲۰ درصد) تقسیم شدند. عملکرد مدل با استفاده از معیارهای Recall، Precision، accuracy، Score مورد ارزیابی قرار گرفت. نتایج نشان دادند که شبکه ۱۸-ResNet قادر است یافته های رادیولوژیکی را با دقت مناسبی استخراج کرده و به عنوان یک ابزار پشتیبان تصمیم گیری در کنار پزشکان مورد استفاده قرار گیرد. استفاده از این سامانه می تواند موجب افزایش سرعت تحلیل تصاویر، کاهش خطاهای انسانی و ایجاد یکنواختی بیشتر در فرآیند ارزیابی تصاویر رادیوگرافی شود. با این حال استفاده از مجموعه داده های بزرگ تر و مطالعات چند مرکزی می تواند در آینده موجب افزایش قابلیت تعمیم مدل و بهبود عملکرد آن شود.

کلیدواژه ها:

یادگیری عمیق ، ۱۸-ResNet ، رادیوگرافی ستون فقرات ، هوش مصنوعی ، پردازش تصویر پزشکی ، سیستم پشتیبان تصمیم گیری