استفاده از هوش مصنوعی برای بهبود دقت تست بینایی
محققان استرالیایی از هوش مصنوعی برای ابداع روشی دقیق تر و جزئی تر برای تحلیل تصاویر گرفته شده از پشت چشم استفاده کردند تا به پزشکان در تشخیص بیماری های چشمی کمک کنند.
فناوران- پژوهشگران دانشگاه فناوری کوئینزلند (QUT) در جریان این تحقیق طیفی از روش های یادگیری عمیق را برای تجزیه و تحلیل عکس هایی که مقطع نگار همدوسی اپتیکی (OCT) می گیرد، مورد کاوش قرار دادند.
مقطع نگار همدوسی اپتیکی که برای نشان دادن لایه بافت های مختلف عکس های مقطعی از چشم می گیرد، از ابزارهای مشترک مورداستفاده عینک سازان و چشم پزشکان است. تصاویر گرفته شده با این روش به پزشکان در تشخیص بیماری های چشمی چون گلوکوم یا آب سیاه و دژنراسیون ماکولا کمک می کند. دژنراسیون ماکولا که به عنوان دجنراسیون وابسته به سن ماکولا
(AMD or ARMD) شناخته می شود یک وضعیت پزشکی است که ممکن است نتیجه آن تاری یا از دست دادن بینایی در مرکز دید باشد.
این تیم تحقیقاتی اسکن های OCT شبکیه را از مطالعه ای ۱۸ ماهه بر روی ۱۰۱ کودک که از بینایی خوب و چشمانی سالم برخوردار بودند، جمع آوری کرده و با استفاده از این عکس ها یک برنامه مبتنی بر هوش مصنوعی را برای تشخیص الگوها و تعیین مرزهای کورویید (Choroid) تربیت کردند.
دیوید آلونسو کانیرو از پژوهشگران دانشگاه کوئینزلند و مولف ارشد این پژوهش، می گوید: ما در پژوهش خود به دنبال روشی جدید برای تجزیه و تحلیل عکس ها و استخراج دو لایه بافتی اصلی در پشت چشم یعنی قرنیه و کرویید می گشتیم. توجه ویژه ما بر کرویید معطوف بود که بین اسکلرا (صلبیه) و شبکیه قرار دارد و حاوی رگ های خونی اصلی است که مواد مغذی و اکسیژن را به چشم می رسانند.
وی می افزاید: روش های استانداد پردازش تصویر که با OCT مورد استفاده قرار می گیرند لایه های بافت قرنیه را به خوبی تعریف و آنالیز می کنند اما تعداد کمی از ابزارهای بالینی OCT از نرم افزار تجزیه و تحلیل بافت کروییدی برخوردارند. بنابراین یک شبکه یادگیری عمیق را تربیت کردیم تا ویژگی های کلیدی عکس ها را فراگرفته و مرزهای کرویید و قرنیه را با دقت و به طور خودکار تعیین کند.
منبع: ایرنا