خلاصه آنچه در این خبرنامه به آن می پردازیم:

بیماری دژنراسیون ماکولا وابسته به سن(AMD) چیست؟

ابزار غربالگری مبتنی بر تشخیص خودکار به کمک رایانه (CAD) چه کمکی به پزشکان می کند؟

در تشخیص دژنراسیون ماکولا وابسته به سن چه روشی پیشنهاد می شود؟

روش های سنتی یادگیری ماشین برای طبقه بندی شبکه عصبی با استفاده از

تصاویر OCT از چند بلوک تشکیل شده است؟

مدت زمان مطالعه: 7 دقیقه

بیماری دژنراسیون ماکولا وابسته به سن(AMD) چیست؟

پیش تر با بیماری دژنراسیون ماکولا در خبرنامه مربوط به آن آشنا شدیم. برای خواندن خبرنامه دژنراسیون ماکولا اینجا را کلیک کنید. در این خبرنامه به نقش هوش مصنوعی در تشخیص این بیماری می پردازیم. در این خبرنامه به بررسی دستاوردهای مقاله کاربردی تشخیص دژنراسیون ماکولا وابسته به سن به نگارش دکتر حمید سلطانیان زاده می پردازیم. 

دژنراسیون ماکولا وابسته به سن (AMD) که یک نوع اختلال شبکیه بوده است،  از شایع ترین علل نابینایی در کشورهای توسعه یافته است. AMD cases به دو دسته کلی dry و wet تقسیم می شوند.

 80-90% موارد جزء دسته Dry AMD هستند. ویژگی بالینی شایع Dry AMD وجود Drusen است.  Drusen رسوبات مواد برون سلولی هستند که بین اپیتلیوم رنگدانه شبکیه (RPE) و کلاژن داخلی Bruch's membrane   ایجاد می شوند. این رسوبات در طول زمان انباشته شده و منجر به آسیب اپیتلیوم رنگدانه شبکیه (RPE) می شود. این بیماری نئوواسکولاریزاسیون مشیمیه (CNV) نامیده می شود. در شکل زیر اسکن OCT B برای موارد CNV, Drusen, normal نشان داده شده است.  همچنین فلش های قرمز نشان دهنده  ناحیه آسیب دیده است.

 همچنین احتمال ابتلا به این بیماری در افراد بالای 60 سال افزایش می یابد. در سال های اخیر مطالعات گسترده ای در این زمینه انجام شده است. پیشرفت های اخیر در حوزه یادگیری عمیق، فرصتی برای توسعه چارچوب های تشخیص کاملا خودکار ایجاد کرده است. یادگیری عمیق زیر شاخه هوش مصنوعی به تازگی مورد توجه زیادی قرار گرفته است. برای تجزیه و تحلیل تصاویر پزشکی از این روش ها استفاده می شود.

ابزار غربالگری مبتنی بر تشخیص خودکار به کمک رایانه (CAD) چه کمکی به پزشکان می کند؟

OCT یک تکنیک تصویربرداری از اجزای چشم به ویژه شبکیه است. این تکنیک تصاویر مقطعی را با استفاده از نور کم انسجام low-coherence light از ماکولا یا سر عصب بینایی ارائه می دهد. چشم پزشکان تصاویر OCT را برای  ارزیابی پاتولوژی های شبکیه ( مانند AMD) بسیار ترجیح داده می دهند.  با این حال، معاینه دقیق چشم برای هر بیمار براساس تصاویرOCT    برای چشم پزشکان کاری وقت گیر است.

در نتیجه وجود ابزار غربالگری مبتنی بر تشخیص خودکار به کمک رایانه (CAD) می تواند موثر و کاربردی باشد. این ابزار می تواند بیماران را با توجه به وضعیت آن ها الویت بندی کند.

در تشخیص دژنراسیون ماکولا وابسته به سن چه روشی پیشنهاد می شود؟

روشی که در تشخیص این بیماری پیشنهاد می شود، multi-scale CNN بر پایه Feature Pyramid Network است.

این روش برای تشخیص های با درجه اطمینان معقول و همچنین تشخیص برخی بیماری های بالینی رایج استفاده می شود.با توجه به مقاله اخیر دکتر حمید سلطانیان زاده می توانیم ملاحضه کنیم که نتایج تجربی نشان می دهد ساختار چند مقیاسی پیشنهادی،  نسبت به چارچوب های طبقه بندی شده OCT ، بهترین عملکرد را ارائه می دهد. این ویژگی ترکیبی استراتژی بر روی تمام مدل های آزمایش شده موثر بوده است.

 Improvements ranging from 0.4% to 3.3%

علاوه بر این، یادگیری تدریجی به عنوان یک روش موثر برای بهبود عملکرد در دو مرحله پشت سر هم ثابت شده است. در مرحله اول، عملکرد با استفاده از وزنه های ImageNet از پیش آموزش دیده از 87.2% ± 2.5%  به 92.0% ± 1.6% بهبود یافت. در مرحله دوم نیز به علت تنظیم دقیق مدل قبلی بر مجموعه داده UCSD یک تقویت عملکرد از 92.0% ± 1.6% به 93.4% ± 1.4% مشاهده شد. نقشه های حرارتی شواهد بیشتری برای اثربخشی ارائه می کنند.  ساختار چند مقیاسی (multi-scale structure) امکان تشخیص دقیق آسیب شبکیه را که ممکن است در اندازه های مختلف در تصاویر OCT ظاهر شود فراهم می سازد.

روش های سنتی یادگیری ماشین برای طبقه بندی شبکه عصبی با استفاده از

تصاویر OCT از چند بلوک تشکیل شده است؟

از  سه بلوک اصلی تشکیل شده است:

پیش پردازش (preprocessing)

استخراج ویژگی (feature extraction)

طراحی طبقه بندی کننده (classifier design)

بلاک پیش پردازش (مانند حذف نویز تصویر  و صاف شدن شبکیه ) امکان حذف اطلاعات ناخواسته یا غیرضروری از ورودی خام را فراهم می کند.  همچنین داده ها به مدل اجازه می دهد در مرحله بعدی اطلاعات مفیدی را استخراج کند. در پایان ویژگی های استخراج شده به یک classifier داده می شود. مانند :

 Random forest algorithm, Bayesian classifier