به کارگیری یادگیری منیفلد برای تشخیص بیماری دریچه‌ی میترال

نویسندگان

1 دانشجوی دکتری، آزمایشگاه پردازش تصاویر پزشکی، دانشکده‌ی مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایران

2 کارشناس ارشد، آزمایشگاه پردازش تصاویر پزشکی، دانشکده‌ی مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایران

3 دانشیار، آزمایشگاه پردازش تصاویر پزشکی، دانشکده‌ی مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایران

4 دانشیار، گروه قلب و عروق، مرکز قلب تهران، دانشگاه علوم پزشکی تهران، تهران، ایران

doi
10.22041/ijbme.2021.530092.1691
چکیده

بیماری‌های قلبی یکی از اصلی‌ترین عوامل به خطر انداختن سلامت و زندگی انسان هستند. از مهم‌ترین بیماری‌های قلب، بیماری‌‌های مربوط به دریچه‌های قلب بوده که در طی سال‌های اخیر روندی افزایشی داشته است. تشخیص و درمان درست و به موقع این بیماری‌ها، بهبود کیفیت زندگی و افزایش طول عمر افراد را به دنبال دارد. از این رو محققان همواره به دنبال یافتن روش‌هایی برای بهبود و تسریع روند تشخیص این بیماری بوده‌اند. تصاویر پزشکی، فعالیت قلب انسان را بررسی و ضبط کرده و از جمله راه‌های اصلی تشخیص مشکلات قلبی هستند. عموما پردازش این تصاویر پیچیده و زمان‌بر است، به همین جهت محققان به دنبال پیدا کردن روش‌هایی برای ساده‌سازی پردازش این تصاویر هستند. یادگیری منیفلد یکی از روش‌های کاهش بعد غیرخطی است که الگوریتم‌های مختلفی داشته و می‌تواند موجب ساده‌سازی پردازش تصاویر اکوکاردیوگرافی شود. در این پژوهش ‌‌با کمک یکی از الگوریتم‌های یادگیری منیفلد به نام LLE، تصاویر اکوکاردیوگرافی مورد بررسی قرار گرفته و سعی شده است تا با کمک روش یادگیری منیفلد داده‌های سالم از داده‌های دارای اختلال دریچه‌ی میترال شناسایی شده و ویژگی‌های جدا کننده‌ی سه گروه پاتولوژی دریجه‌ی میترال شامل MVP، MS و III-b استخراج شود. نتایج به دست آمده نشان می‌دهد که بیش از 80% نمونه‌های گروه طبیعی از نظر ساختار منیفلد الگویی متفاوت با نمونه‌های دارای اختلال دارند.