امکان افزایش دقت نمایش عروق کرونری قلب با شیوه های مبتنی بر هوش مصنوعی
نئوپدیا: گروهی از محققان دانشگاه صنعتی امیرکبیر راهکاری مبتنی بر یادگیری ماشین و هوش مصنوعی برای افزایش دقت در نمایش عروق کرونری قلب عرضه کردند.
به گزارش نئوپدیا به نقل از دانشگاه صنعتی امیرکبیر، فاطمه آخوندی دانش آموخته دانشکده مهندسی پزشکی دانشگاه با هدایت و راهبری دکتر فرشاد الماس گنج عضو هیأت علمی دانشگاه طرح پژوهشی را با عنوان "حذف پس زمینه تصاویر آنژیوگرافی با بهره گیری از یادگیری عمیق" را اجرائی کردند.
آخوندی ضمن اشاره به علل انتخاب این مطالعه، توضیح داد: در آنژیوگرافی قلب، تداخل سایه های ناشی از بافت ها و استخوان های قفسه سینه و همین طور حرکات تنفسی و ضربان قلب سبب می شود تشخیص دقیق عروق کرونری دشوار شود. این مسئله منجر به نیاز به تزریق بیشتر ماده حاجب و دریافت دوز بالاتر اشعه توسط بیمار می شود.
وی اضافه کرد: ازاین رو هدف این پژوهش حل این مشکل و عرضه روشی دقیق تر و ایمن تر برای بهبود کیفیت تشخیص گرفتگی ها توسط پزشک متخصص بوده است.
این دانش آموخته دانشگاه صنعتی امیرکبیر با تکیه بر این که نتایج این پژوهش باعث بهبود وضوح تصاویر و افزایش دقت در نمایش عروق کرونری قلب شده است، اظهار داشت: این پژوهش بطور ویژه در راستای پیشرفت فناوری پردازش تصویر پزشکی و بومی سازی شیوه های نوین شبکه های عصبی گامی مؤثر برداشته است؛ چونکه این طرح با کاهش زمان پردازش و افزایش دقت، نسبت به سایر الگوریتم های سنتی امکان بهره برادری بهتر در عرصه های کاربردی را فراهم می سازد.
آخوندی با اعلان اینکه مرحله اول این پژوهش از تحلیل ایرادات و شیوه های موجود و بررسی مقالات آغاز شد، اضافه کرد: سپس دو مدل مبتنی بر شبکه های عصبی طراحی و پیاده سازی شد. در روش نخست از شبکه SpyNet بهبودیافته برای آشکار سازی حرکت و از Deep-Fillv۲ برای بازسازی نواحی حذف شده استفاده شد. در روش دوم هم از یک معماری ترکیبی خود رمزگذار عمیق بهره گرفته شد تا اطلاعات پس زمینه از تصاویر پیش از تزریق ماده حاجب استخراج و برای بازسازی نواحی حاوی ماده ی حاجب استفاده گردد.
به گفته او در آخر، نسخه بهبودیافته مدل دوم عرضه و با شیوه های استاندارد مقایسه شد.
وی کمبود داده را از چالش های این طرح نام برد و تصریح کرد: علاوه براین تعلیم شبکه های عصبی عمیق نیازمند زمان و سیستم های بسیار قوی با کارت گرافیک قوی بود. تا حد امکان توانستیم براین مشکلات غلبه نماییم.
به گفته این محقق، یافته های این مطالعه می تواند در صنعت تجهیزات و نرم افزارهای پزشکی، تحلیل تصویر و سیستم های کمک تشخیصی مبتنی بر هوش مصنوعی استفاده گردد اما از طرفی به دلیل وارداتی بودن اغلب دستگاهها، امکان اضافه کردن این نرم افزار به کل سیستم کار آسانی نیست و هم اکنون بصورت کمکی می تواند به تشخیص پزشک در کنار دستگاه کمک نماید.
آخوندی انتشار دو مقاله را از دیگر دستیافته های این پایان نامه دانست و افزود: نخستین مقاله در مجله بین المللی با رده ی Q۱ چاپ شده و دومین مقاله در مجله ایرانی زیست پزشکی به چاپ رسیده است.
وی بخش نوآورانه طرح را شامل استفاده از شبکه خودرمزگذار هدایت شده برای بازسازی پس زمینه تصاویر حاوی ماده حاجب از تصاویر بدون ماده حاجب ذکر کرد و اضافه کرد: همین طور در طراحی شبکه های عصبی عمیق متناسب بودن با تصاویر آنژیوگرافی به دلیل مقیاس خاکستری آنها و ظرافت عروق در طراحی لحاظ شده است.
آخوندی خاصیت های این طرح را شامل افزایش وضوح عروق کرونری در تصاویر آنژیوگرافی، کاهش نیاز به تزریق مقدار زیاد ماده حاجب و درنتیجه کاهش خطرات در رابطه با آن برای بیمار دانست و اضافه کرد: همین طور نسبت به شیوه های سنتی، زمان پردازش تصاویر را بطور قابل توجهی می کاهد و می تواند حتی با در اختیار داشتن یک تصویر تکی حاوی ماده حاجب هم عمل اصلاح و پردازش را انجام دهد. سرانجام، سودجستن از فناوری شبکه های عصبی عمیق، امکان استخراج و بازسازی هوشمند پس زمینه و جداسازی بهتر عروق را فراهم می آورد و طرح را از نظر علمی و کاربردی در سطح شیوه های نوین پردازش تصویر پزشکی قرار می دهد.
وی اشاره کرد: نمونه های خارجی مانند شیوه های مبتنی بر RPCA یا MAMR وجود دارند، اما روش حاضر بومی بوده و عملکرد سریع تری دارد. در این طرح با حذف نیاز به تصاویر چندزمانه، دوز اشعه دریافت شده توسط بیمار کم شده و پروسه تصویربرداری ساده تر و ایمن تر شده است. این تکنیک به علت اتکا بر الگوریتم های پیشرفته و یادگیری عمیق، پردازش تصاویر را سریع تر و بصورت خودکار انجام می دهد و با این وجود دقت بالاتری در تفکیک عروق و پس زمینه عرضه می کند. بطور خلاصه وی کمبود داده را از چالش های این طرح نام برد و خاطرنشان کرد: علاوه براین تعلیم شبکه های عصبی عمیق نیازمند زمان و سیستم های خیلی قوی با کارت گرافیک قوی بود. بگفته این محقق، یافته های این مطالعه می تواند در صنعت تجهیزات و نرم افزارهای پزشکی، تحلیل تصویر و سیستم های کمک تشخیصی مبتنی بر هوش مصنوعی استفاده گردد اما از طرفی به سبب وارداتی بودن اغلب دستگاهها، امکان اضافه کردن این نرم افزار به کل سیستم کار آسانی نیست و هم اینک به طور کمکی می تواند به تشخیص پزشک در کنار دستگاه کمک کند. آخوندی انتشار دو مقاله را از دیگر دستاوردهای این رساله دانست و اضافه کرد: اولین مقاله در مجله بین المللی با رده ی Q۱ چاپ شده و دومین مقاله در مجله ایرانی زیست پزشکی به چاپ رسیده است.
منبع: neopedia.ir
این مطلب نئوپدیا را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب