فهرست نشریات علمی دسترسی آزاد ایران

پیشینه و اهداف: پردازش تصویر یکی از مسائل مهم در حوزه­ی هوش مصنوعی می­باشد که در موارد مختلف صنعتی، پزشکی، نظامی، سیستم مای امنیتی و.. کاربرد دارد. از مهم‌ترین زمینه‌های کـاربـردی پردازش تصویر استخـراج قـواعـد طبقه‌بندی در حیطـه علـم پـزشکی است. با به‌کارگیری الگوریتم‌های قدرتمند این حوزه می‌توان سیستم های هوشمندی ابداع کرد که به شکل خودکار و بدون نیاز به نظارت پزشک قادر به فهم و تفسیر ویژگی‌های پزشکی افراد باشند یا اطلاعات مفیدی را اکتشاف کنند که متخصصان را در قضاوت صحیح یاری رساند. زمانی که پارامترهای لازم برای تشخیص بیماری زیاد می‌شود، تشخیص و پیش‌بینی بیماری حتی برای یک متخصص خبره پزشکی نیز به‌سختی ممکن می­گردد به همین دلیل در چند دهه اخیر ابزار تشخیص کامپیوتری باهدف کمک به پزشک مورد استفاده قرارگرفته است. این مهم موجب شده است که خطاهای احتمالی ناشی از خستگی یا بی‌تجربگی فرد متخصص تا حدی کاهش پیدا کند و داده‌های پزشکی موردنیاز، طی مدت‌زمان کمتر و با جزئیات و دقت بیشتر در اختیار پزشک قرار گیرد. هدف از این مطالعه بهبود عملکرد طبقه‌بندی روش‌های نوین، با استفاده از مدلی چندلایه به‌منظور کمک به تشخیص بیماری‌های شبکیه‌ی چشم است.روش ها: این مدل از الگوریتم K-SVD پیشرفته، برای یادگیری ماتریس دیکشنری و الگوهای پایه استفاده می‌کند تا بتواند با الگوپذیری از معماری چندلایه، ویژگی‌های بهتری را در تصاویر OCT شبکیه بیاموزد. همچنین در این معماری، علاوه بر استفاده از برچسب‌های کلاس داده‌های آموزشی، اطلاعات برچسب نیز در هر ستون‌پایه در ماتریس دیکشنری ترکیب می‌شود تا در کدگذاری تنک در طی فرآیند یادگیری دیکشنری بیشترین تبعیض اعمال شود که این منجر به موفقیت مراحل کدگذاری تنک و جمع‌بندی، در پیدا کردن نمایش مؤثرتری از داده به‌منظور طبقه‌بندی می‌گردد. برای اعتبارسنجی الگوریتم، از مجموعه داده‌های داک استفاده‌شده است. این مجموعه داده شامل اسکن‌های حجمی از 45 نوع، که 15 نوع حجم از آن طبیعی، 15 نوع بیمار تخریب ماکولای وابسته به سن (AMD) و 15 نوع بیمار ورم ماکولای دیابتی (DME) است که تعداد اسکن‌های OCT در هر حجم بین 36 تا 97 تصویر متغیر می‌باشد.یافته ها: نتایج تجربی نشان می‌دهد که الگوریتم پیشنهادی این مقاله توانسته است با پیشی گرفتن از بسیاری از مدل‌های جدید یادگیری دیکشنری و نمایش تنک، بسیار خوب عمل نماید و با دقت خوبی منجر به طبقه‌بندی صحیح %95.85 برای تصاویر نرمال و صد درصد برای تصاویر بیمار (DME و AMD) شود.نتیجه گیری: نتیجه­ی این تحقیق ارائه­ی سیستمی اتوماتیک به‌منظور تشخیص برخی ناهنجاری مای شبکیه بود به‌طوری‌که با تحلیل و آنالیز بر روی‌داده‌های دام توانست با دقت بسیار خوبی در مقایسه با روش‌های نوین این حوزه در شناسایی الگوهای ظریف بیماری در تصاویر OCT موفق عمل نموده، تصاویر نرمال و بیمار را در دو بیماری تباهی ماکولای وابسته به سن یعنی AMD ورم ماکولای دیابتی یعنی DME را تفکیک و در تشخیص پاتولوژی شبکیه با دقت بسیار بالایی به پزشک معالج کمک کند. به‌عنوان یک پیشنهاد تحقیقاتی و کاربردی برای متخصصین و آیندگان با تعمیم این روش به کلاس مای بیشتر می‌توان تمام بیماری مای شبکیه را پوشش داد و از آن به‌عنوان ابزاری بالقوه مؤثر در تشخیص کامپیوتری و غربالگری بیماری‌های شبکیه و یا در حوزه مای وسیع‌تر چشم استفاده نمود.