گروهی از پژوهشگران دانشگاه صنعتی امیرکبیر راهکاری مبتنی بر یادگیری ماشین و هوش مصنوعی برای افزایش دقت در نمایش عروق کرونری قلب ارائه کردند.
به گزارش خبرگزاری صدا و سیما، فاطمه آخوندی دانش آموخته دانشکده مهندسی پزشکی این دانشگاه با هدایت و راهبری دکتر فرشاد الماس گنج عضو هیات علمی دانشگاه طرح پژوهشی را با عنوان "حذف پسزمینه تصاویر آنژیوگرافی با استفاده از یادگیری عمیق" اجرایی کردند.
آخوندی با اشاره به دلایل انتخاب این تحقیق گفت: در آنژیوگرافی قلب، تداخل سایههای ناشی از بافتها و استخوانهای قفسه سینه و همچنین حرکات تنفسی و ضربان قلب باعث میشود تشخیص دقیق عروق کرونری دشوار شود. این مسئله منجر به نیاز به تزریق بیشتر ماده حاجب و دریافت دوز بالاتر اشعه توسط بیمار میشود.
وی افزود: از این رو هدف این تحقیق رفع این مشکل و ارائه روشی دقیقتر و ایمنتر برای بهبود کیفیت تشخیص گرفتگیها توسط پزشک متخصص بوده است.
این دانش آموخته دانشگاه صنعتی امیرکبیر با تاکید بر اینکه نتایج این تحقیق موجب بهبود وضوح تصاویر و افزایش دقت در نمایش عروق کرونری قلب شده است، اظهار داشت : این تحقیق به طور ویژه در جهت ارتقای فناوری پردازش تصویر پزشکی و بومیسازی روشهای نوین شبکههای عصبی گامی مؤثر برداشته است؛ چرا که این طرح با کاهش زمان پردازش و افزایش دقت، نسبت به سایر الگوریتمهای سنتی امکان بهرهبرادری بهتر در حوزههای کاربردی را فراهم میسازد.
آخوندی با بیان اینکه مرحله اول این تحقیق از تحلیل ایرادات و روشهای موجود و بررسی مقالات آغاز شد، ادامه داد: سپس دو مدل مبتنی بر شبکههای عصبی طراحی و پیادهسازی شد. در روش نخست از شبکه SpyNet بهبودیافته برای آشکار سازی حرکت و از Deep-Fillv۲ برای بازسازی نواحی حذفشده استفاده شد. در روش دوم نیز از یک معماری ترکیبی خود رمزگذار عمیق بهره گرفته شد تا اطلاعات پسزمینه از تصاویر قبل از تزریق ماده حاجب استخراج و برای بازسازی نواحی حاوی مادهی حاجب استفاده شود.
به گفته وی در پایان، نسخه بهبودیافته مدل دوم ارائه و با روشهای استاندارد مقایسه شد.
وی کمبود داده را از چالشهای این طرح نام برد و افزود: علاوه براین تعلیم شبکههای عصبی عمیق نیازمند زمان و سیستمهای بسیار قوی با کارت گرافیک قوی بود. تا حد امکان توانستیم براین مشکلات غلبه کنیم.
به گفته این محقق، نتایج این پژوهش میتواند در صنعت تجهیزات و نرمافزارهای پزشکی، تحلیل تصویر و سیستمهای کمک تشخیصی مبتنی بر هوش مصنوعی استفاده شود، اما از سوی دیگر به علت وارداتی بودن اکثر دستگاهها، امکان اضافه کردن این نرم افزار به کل سیستم کار آسانی نیست و در حال حاضر به صورت کمکی میتواند به تشخیص پزشک در کنار دستگاه کمک کند.
آخوندی انتشار دو مقاله را از دیگر دستاوردهای این پایان نامه دانست و اضافه کرد: اولین مقاله در مجله بین المللی با ردهی Q۱ چاپ شده و دومین مقاله در مجله ایرانی زیست پزشکی به چاپ رسیدهاست.
وی بخش نوآورانه طرح را شامل استفاده از شبکه خودرمزگذار هدایتشده برای بازسازی پسزمینه تصاویر حاوی ماده حاجب از تصاویر بدون ماده حاجب ذکر کرد و افزود: همچنین در طراحی شبکههای عصبی عمیق متناسب بودن با تصاویر آنژیوگرافی بهعلت مقیاس خاکستری آنها و ظرافت عروق در طراحی لحاظ شدهاست.
آخوندی ویژگیهای این طرح را شامل افزایش وضوح عروق کرونری در تصاویر آنژیوگرافی، کاهش نیاز به تزریق مقدار زیاد ماده حاجب و در نتیجه کاهش خطرات مرتبط با آن برای بیمار دانست و افزود: همچنین نسبت به روشهای سنتی، زمان پردازش تصاویر را به طور قابل توجهی کاهش میدهد و میتواند حتی با در اختیار داشتن یک تصویر تکی حاوی ماده حاجب نیز عمل اصلاح و پردازش را انجام دهد. در نهایت، بهرهگیری از فناوری شبکههای عصبی عمیق، امکان استخراج و بازسازی هوشمند پسزمینه و جداسازی بهتر عروق را فراهم میکند و طرح را از نظر علمی و کاربردی در سطح روشهای نوین پردازش تصویر پزشکی قرار میدهد.
وی تاکید کرد: نمونههای خارجی مانند روشهای مبتنی بر RPCA یا MAMR وجود دارند اما روش حاضر بومی بوده و عملکرد سریعتری دارد. در این طرح با حذف نیاز به تصاویر چندزمانه، دوز اشعه دریافت شده توسط بیمار کاهش یافته و فرآیند تصویربرداری سادهتر و ایمنتر شده است. این روش به دلیل تکیه بر الگوریتمهای پیشرفته و یادگیری عمیق، پردازش تصاویر را سریعتر و به صورت خودکار انجام میدهد و در عین حال دقت بالاتری در تفکیک عروق و پسزمینه ارائه میکند.