تشخیص خودکار بیماری پلاس و پیشپلاس در رتینوپاتی نوزادان نارس با استفاده از رویکرد یادگیری عمیق مبتنی بر یادگیری گروهی در سطح زیرشبکه ها
نویسندگان
1 گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه آزاد اسلامی،مشهد، ایران
2 مرکز تحقیقات چشم،دانشکده چشم پزشکی،دانشگاه علوم پزشکی، مشهد، ایران
3 دانشگاه آزاد اسلامی، واحد مشهد، مشهد، ایران
4 گروه مهندسی برق، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
doi
چکیده
رتینوپاتی نوزادان نارس (ROP) یک اختلال چشمی در نوزادان نارس است که در صورت تأخیر در تشخیص و مداخله منجر به نابینایی شود. تشخیص زودهنگام مراحل پلاس و پیشپلاس، بهعنوان شاخصهای کلیدی شدت بیماری، اهمیت ویژهای دارد و معمولاً از طریق تحلیل تصاویر شبکیه انجام میشود. با توجه به محدودیت تصاویر با کیفیت و چالشهای تشخیص دقیق، این مطالعه یک رویکرد نوآورانه یادگیری گروهی در سطح زیرشبکه پیشنهاد میدهد که مبتنی بر معماری ResNet-50 است و امکان تشخیص خودکار مراحل پلاس و پیشپلاس را فراهم میکند. برخلاف روشهای سنتی که تنها خروجی نهایی مدلها را ترکیب میکنند، این روش زیرشبکههای میانی را نیز ادغام میکند. چالش اصلی انتخاب بهینه و ادغام نورونها میان زیرشبکههاست. بدین منظور، زیرشبکههایی با معماری یکسان و وزنهای اولیه متفاوت از نقاط بازرسی متنوع شبکه مرجع استفاده شدند و سپس بهصورت همزمان با یک تابع خطای جدید آموزش داده شدند. نتایج تجربی نشان میدهد که این رویکرد Ensemble در سطح زیرشبکه با ResNet-50 دقت و قابلیت اطمینان بالاتری نسبت به روشهای مشابه ارائه میدهد. این سیستم میتواند ارزیابی شدت بیماری را برای چشمپزشکان بهبود دهد و نیاز به معاینات تهاجمی را کاهش دهد و بنابراین گامی مهم در توسعه الگوریتمهای خودکار تشخیص بیماریهای چشمی محسوب میشود.
