آموزش شبکه عصبی برای تشخیص ناهنجاری‌ها در تصاویر پزشکی با استفاده از هوش مصنوعی

به گزارش پایگاه خبری مکاترونیک‌نیوز، محققان دانشگاه گوته فرانکفورت، یک شبکه عصبی را برای شناسایی ناهنجاری‌‌ها در تصاویر پزشکی آموزش داده‌‌اند تا به پزشکان کمک کند و در جستجوی آسیب‌شناسی، اسکن‌های زیادی را انجام دهند.
این تحقیق نشان می‌دهد که روش جدید با ماهیت تصویربرداری پزشکی سازگار است و در شناسایی ناهنجاری‌ها در مقایسه با راه حل های همه منظوره بسیار موفق بوده است.

تشخیص ناهنجاری‌های تصویر بخشی از تجزیه و تحلیل داده‌ها در صنایع مختلف می‌باشد. اما اسکن‌های پزشکی چالش خاصی را ایجاد می‌کنند. برای مثال الگوریتم تشخیص خودرویی با تایر پهن یا شیشه‌ای شکسته از تصاویر خودرو، بسیار ساده تر از تشخیص این است که کدام یک از اشعه‌های ایکس علائم اولیه آسیب‌شناسی در ریه‌ها را نشان می‌دهد .
تشخیص تصاویر پزشکی به دلایل مختلفی دشوار است. از یک جهت، ناهنجاری‌ها بسیار شبیه حالت‌های عادی هستند. سلول‌ها، مهم هستند و معمولاً برای تشخیص سلول مشکل دار به یک متخصص آموزش دیده نیاز می‌باشد
به نقل از دیمیتری دیلوف، نویسنده ارشد مطالعه و استاد و رئیس گروه تصویربرداری محاسباتی موسسه علم و فناوری اسکولکوو:

علاوه بر این، کمبود نمونه‌های ناهنجاری برای آموزش شبکه‌های عصبی وجود دارد. ماشین‌ها درمسائلی به نام مشکات دو کلاسه یا دو گروهه خوب عمل می‌کنند. مثلا زمانی که شما دو کلاس ویا دو گروه مجزا دارید که هر یک از آنها با نمونه های زیادی برای آموزش پر شده است، مانند گربه ها و سگ ها که دو گروه و یا دو کلاس مختلف را تشکیل میدهند بررسی ها نتایج مطلوب‌ترند. در اسکن‌‌های پزشکی، در اکثر موارد حالت عادی را نشان داده می‌شوند و تنها چند نمونه غیرعادی پراکنده ظاهرمی‌شوند. و حتی ناهنجاری ها تمایل دارند بین نمونه های خودشان متفاوت باشند، بنابراین شما یک کلاس کاملاً تعریف شده برای ناهنجاری ها ندارید.

گروه تحقیقاتی دایلوو، چهار مجموعه داده از عکس‌‌های اشعه ایکس قفسه سینه و بافت‌شناسی سرطان سینه را تجزیه و تحلیل کردند تا تطبیق‌پذیری این روش را در دستگاه‌‌های مختلف تصویربرداری تأیید کنند. این روش دقت بهترو نتیجه مطلوب‌تری و متفاوت‌تری داشت و مستقیماً به مجموعه داده‌های مربوطه متکی بود، این تکنیک جدید به طور مداوم درموارد متعددی بررسی شد و‌ از راه‌حل‌های سنتی فراتر رفت و جواب بهتری داد.
مزیتی که تکنیک جدید را از سایر رقبا متمایز می سازد، این است که به نظر می‌رسد با تعیین پارامتر‌ها و ویژگی‌های دقیق درک بهتری همانند متخصصی که با دستگاه اسکن کار میکند را دارد.
این مطالعه همچنین به دلیل دستور العمل پیشنهادی برای استاندارد کردن روش تشخیص ناهنجاری تصویر پزشکی بسیار متفاوت است، تا گروه‌های تحقیقاتی مختلف بتوانند مدل‌های خود را به طور مداوم و قابل تکرار مقایسه کنند.

دیمیدیمیتری دیلوف، نویسنده ارشد مطالعه و استاد و رئیس گروه تصویربرداری محاسباتی موسسه علم و فناوری اسکولوو می گوید:

پیشنهاد ما این است که از آنچه به عنوان آموزش با نظارت ضعیف شناخته می شود استفاده کنیم. از آنجا که دو کلاس و یا دو گروه با وضوح مشخص در دسترس نیستند ، این کار معمولاً با مدلهای بدون نظارت یا توزیع نشده انجام می‌شود. یعنی موارد غیرعادی به این روش در داده‌های آموزشی شناسایی نمی‌شوند.”

با این حال، برخورد با کلاس ناهنجار به عنوان یک مورد کاملا ناشناخته برای یک مشکل بالینی بسیار عجیب است، زیرا پزشکان همیشه می توانند به چند نمونه غیرعادی اشاره کنند. بنابراین، ما تصاویر غیرعادی را به شبکه نشان دادیم تا روش‌های زیاد تحت نظارت ضعیف را در نظر نگیریم و کمک زیادی کرد. یک اسکن غیرعادی به ازای هر 200 اسکن معمولی راه طولانی را طی می کند واین مسیله کاملاً واقع بینانه است.

محققان خاطرنشان می‌کنند که روش آنها، یعنی روش رمزگذارهای خودکار ادراکی عمیق، برای انتقال به طیف گسترده‌ای از اسکن‌های پزشکی دیگر، فراتر از دو نوع مورد استفاده در مطالعه، ساده است، زیرا راه‌حل به ماهیت کلی این تصاویر تغییر می‌کند. ومخصوصاً به ناهنجاری‌های در مقیاس کوچک حساس است و از چند نمونه از آنها در آموزش استفاده می‌کند.

به نقل از ایرینا فدولوا، یکی از نویسندگان مطالعه و مدیر شاخه تحقیقات فیلیپس، دانشگاه دولتی لومونوسوف مسکو:

مشارکت شرکت فیلیپس به ما این امکان را داد که به اینگونه چالش‌ها که ارتباط زیادی با صنعت مراقبت‌های بهداشتی دارد رسیدگی کنیم. ما انتظار داریم که این راه‌حل به طور قابل توجهی به کار هیستوپاتولوژیست ها، رادیولوژیست ها و سایر متخصصان پزشکی که با کار طاقت فرسای تشخیص ناهنجاری‌های کوچک در مجموعه‌های بزرگ تصاویر روبرو هستند، سرعت بخشد. با قراردادن اسکن‌ها در تجزیه و تحلیل اولیه، می‌توان تصاویر واضح و بدون مشکل را حذف کرد و به متخصص انسانی زمان بیشتری داد تا بر موارد مبهم‌تر تمرکز کنند.

نام گزارشگر: مریم آموت سر

منبع مقاله : Shvetsova, N., et al. (2021) Anomaly Detection in Medical Imaging With Deep Perceptual Autoencoders. IEEE Access. doi.org/10.1109/ACCESS.2021.3107163.

منبع خبر: https://www.azorobotics.com