دستاورد محققان دانشگاه تهران در زمینه تشخیص خودکار بیماری‌های چشمی

به گزارش روابط عمومی دانشگاه تهران، پژوهشگران دانشکده مهندسی برق و کامپیوتر دانشگاه تهران به سرپرستی دکتر حمید سلطانیان‌زاده، رئیس آزمایشگاه مهندسی پزشکی، برای طبقه‌بندی خودکار تصاویر مقطع‌نگاری همدوسی اپتیکی در بیماران مبتلا به دژنراسیون وابسته به سن ماکولا Age-related Macular Degeneration (AMD) روشی خودکار توسعه داده‌اند.

دکتر حمید سلطانیان‌زاده در توضیح اهمیت این یافته پزشکی گفت: تشخیص خودکار بیماری‌های چشمی یکی از حوزه‌های فعال تحقیقات در آنالیز تصاویر پزشکی است و دژنراسیون وابسته به سن ماکولا یکی از انواع بیماری‌های چشمی و متداول‌ترین دلیل نابینایی در کشورهای توسعه‌یافته به خصوص در افراد بالای ۶۰ سال است. استفاده گسترده از تصویربرداری در سال‌های اخیر، افزایش جمعیت سال‌خورده، و همچنین ماهیت مزمن این بیماری بار کاری متخصصین چشم‌پزشکی و سیستم سلامت را افزایش داده است. از طرف دیگر، توسعه‌های صورت گرفته در هوش مصنوعی و یادگیری عمیق، فرصتی مناسب برای طراحی سیستم‌های خودکار تشخیصی به وجود آورده است.

استاد دانشگاه تهران افزود: در این طرح، الگوریتمی نوین طراحی شده است که از یک ساختار کانولوشنی چند مقیاسه مبتنی بر شبکههای هرمی ویژگی برای جداسازی افراد سالم و دو حالت بیماری یعنی دروزن و نئواسکولاریزاسیون کروئیدی بهره می‌برد. این شبکه‌ها در کاربردهای بخش‌بندی تصاویر و تشخیص اشیا مورد استفاده قرار گرفته‌اند اما در این پژوهش، با انجام تغییرات ساختاری، آنها را برای طبقه‌بندی مورد استفاده قرار داده‌ایم. استفاده از ساختار چند مقیاسه در طراحی این شبکه باعث می‌شود تا ویژگی‌های غیرقابل تشخیص در یک مقیاس، در مقیاسی دیگر بررسی شوند که موجب افزایش دقت طبقه‌بندی می‌شود.

رئیس آزمایشگاه مهندسی پزشکی دانشگاه تهران با بیان اینکه این یافته حاصل یک همکاری بین‌رشته‌ای است، اظهار داشت: برای آموزش و ارزیابی عملکرد ساختار پیشنهادی، یک مجموعه از داده‌های ملی شامل بیش از ۲۰ هزار تصویر شبکیه چشم از ۴۴۱ بیمار مراجعه‌کننده به یک بیمارستان فوق تخصصی چشم پزشکی در تهران جمع‌آوری شد و توسط متخصص چشم پزشک برچسب‌گذاری شد. به منظور برطرف کردن مشکل توزیع غیریکسان داده‌ها از تابع هزینه آنتروپی متقاطع چند کلاسه وزن‌دار استفاده کردیم و ساختاری چند مقیاسه طراحی شد تا دقت دسته‌بندی بالاتری نسبت به مدل پایه داشته باشد. همچنین با تنظیم تعداد هرم‌های ویژگی ترکیب‌شده، دقت را افزایش دادیم. از تأثیر مثبت پیش آموزش تدریجی بر عملکرد بهترین مدل هم استفاده کردیم و در نهایت به دقت بالای ۹۳% رسیدیم.

وی افزود: به منظور ایجاد تفسیرپذیری نتایج، نقشه‌های گرمایی را رسم کردیم. رسم نقشه‌های گرمایی باعث مشخص شدن ناحیه تصمیم شبکه شده و اعتماد بیمار و پزشک متخصص را به روش‌های مبتنی بر هوش مصنوعی افزایش می‌دهد.

دکتر سلطانیان‌زاده گفت: سامان ستوده‌پیما و عطاالله جدیری از دانشجویان همکار در این طرح بودند.