کاربرد روش های یادگیری عمیق در تحلیل تصاویر توموگرافی انسجام نوری به منظور تشخیص زودهنگام بیماری های چشمی

تشخیص زودهنگام بیماری های چشمی نقش مهمی در پیشگیری از کاهش بینایی و افزایش اثربخشی درمان دارد، با این حال تفسیر دستی تصاویر توموگرافی انسجام نوری به دلیل حجم بالای داده ها و پیچیدگی الگوهای تصویری با محدودیت هایی همراه است. هدف این پژوهش بررسی کاربرد روش های یادگیری عمیق در تحلیل تصاویر توموگرافی انسجام نوری و ارزیابی توانایی آن ها در تشخیص زودهنگام بیماری های چشمی است. در این پژوهش، عملکرد مدل های مبتنی بر یادگیری عمیق و به ویژه شبکه های عصبی کانولوشنی در استخراج ویژگی های تصویری و طبقه بندی خودکار تصاویر توموگرافی انسجام نوری مورد بررسی قرار گرفت. همچنین قابلیت این مدل ها در شناسایی ناهنجاری های مرتبط با بیماری هایی نظیر رتینوپاتی دیابتی، دژنراسیون ماکولا وابسته به سن و گلوکوم ارزیابی شد. نتایج تحلیل ها نشان داد که الگوریتم های یادگیری عمیق قادرند ویژگی های پیچیده و تغییرات ظریف ساختاری موجود در تصاویر توموگرافی انسجام نوری را با دقت بالا شناسایی کرده و عملکرد مطلوبی در تفکیک تصاویر سالم از تصاویر مبتلا به بیماری ارائه دهند. همچنین استفاده از این روش ها موجب کاهش وابستگی به ارزیابی دستی، افزایش سرعت پردازش داده ها و بهبود دقت تشخیص می شود. یافته های پژوهش بیانگر آن است که به کارگیری یادگیری عمیق در تحلیل تصاویر توموگرافی انسجام نوری می تواند به عنوان یک ابزار هوشمند و کارآمد در تشخیص زودهنگام بیماری های چشمی مورد استفاده قرار گیرد و نقش موثری در توسعه سامانه های کمک تشخیصی، بهبود فرآیند غربالگری و ارتقای کیفیت خدمات چشم پزشکی ایفا کند.

کلیدواژه ها:

یادگیری عمیق ، توموگرافی انسجام نوری ، شبکه های عصبی کانولوشنی ، تحلیل تصاویر پزشکی ، بیماری های چشمی