ايرنا/ محققان استراليايي از هوش مصنوعي براي ابداع روشي دقيقتر و جزئيتر براي تحليل تصاوير گرفته شده از پشت چشم استفاده کردند تا به پزشکان در تشخيص بيماريهاي چشمي کمک کنند.
پژوهشگران دانشگاه فناوري کوئينزلند (QUT) در جريان اين تحقيق طيفي از روشهاي يادگيري عميق را براي تجزيه و تحليل عکسهايي که مقطعنگار همدوسي اپتيکي (OCT) ميگيرد، مورد کاوش قرار دادند.
مقطعنگار همدوسي اپتيکي که براي نشان دادن لايه بافتهاي مختلف عکسهاي مقطعي از چشم ميگيرد، از ابزارهاي مشترک مورداستفاده عينکسازان و چشم پزشکان است. تصاوير گرفته شده با اين روش به پزشکان در تشخيص بيماريهاي چشمي چون گلوکوم يا آب سياه و دژنراسيون ماکولا کمک ميکند. دژنراسيون ماکولا که به عنوان دجنراسيون وابسته به سن ماکولا (AMD or ARMD) شناخته ميشود يک وضعيت پزشکي است که ممکن است نتيجه آن تاري يا از دست دادن بينايي در مرکز ديد باشد.
اين تيم تحقيقاتي اسکنهاي OCT شبکيه را از مطالعهاي ۱۸ ماهه بر روي ۱۰۱ کودک که از بينايي خوب و چشماني سالم برخوردار بودند، جمعآوري کرده و با استفاده از اين عکسها يک برنامه مبتني بر هوش مصنوعي را براي تشخيص الگوها و تعيين مرزهاي کوروييد (Choroid) تربيت کردند.
ديويد آلونسو کانيرو از پژوهشگران دانشگاه کوئينزلند و مولف ارشد اين پژوهش، ميگويد: «ما در پژوهش خود به دنبال روشي جديد براي تجزيه و تحليل عکسها و استخراج دو لايه بافتي اصلي در پشت چشم يعني قرنيه و کروييد ميگشتيم. توجه ويژه ما بر کروييد معطوف بود که بين اسکلرا (صلبيه) و شبکيه قرار دارد و حاوي رگهاي خوني اصلي است که مواد مغذي و اکسيژن را به چشم ميرسانند.»
«روشهاي استانداد پردازش تصوير که با OCT مورد استفاده قرار ميگيرند لايههاي بافت قرنيه را به خوبي تعريف و آناليز ميکنند اما تعداد کمي از ابزارهاي باليني OCT از نرمافزار تجزيه و تحليل بافت کروييدي برخوردارند.»
«بنابراين يک شبکه يادگيري عميق را تربيت کرديم تا ويژگيهاي کليدي عکسها را فراگرفته و مرزهاي کروييد و قرنيه را با دقت و به طور خودکار تعيين کند.»
محققان کويينزلند تجزيه و تحليلهاي انجام شده توسط هوش مصنوعي را با روشهاي آناليز استاندارد عکس مقايسه کردند و به اين نتيجه دست يافتند که برنامه مبتني بر هوش مصنوعي، در تحليل دادههاي OCT دقيقتر و قابل اعتمادتر است.
بازار