چالش تشخیص بیماری های ماکولای چشم از روی تصاویر OCT

کمیته علمی : خانم دکتر پریسا قادری دانشمند، آقای دکتر ربانی، دکتر ازهر زم، آرشام حمیدی، محمدرضا عمانی،دکتر مریم منعمیان، ریحانه رستمیان، مرضیه مختاری، دکتر سحر جرجندی، دکتر فرناز صدیقین، خانم دکتر مهنوش تاجمیرریاحی، خانم دکتر زهرا امینی معرفی چالش ماکولا ناحیه ی مرکزی کوچک از شبکیه چشم است که تیز بینی (VA) را کنترل می کند. توانایی خواندن ، تشخیص صورت ها ، رانندگی ، تماشای تلویزیون ،استفاده از کامپیوتر و انجام دادن هر کار بینایی که نیازمند دیدن جزییات باشد با سلامت ماکولا تعیین می شود. هدف این چالش تشخیص بیماری های ماکولا از روی تصاویر OCT چشم انسان است. بیماری های ماکولا مورد نظر شامل ورم ماکولای دیابتی(DME)، تخریب ماکولای وابسته به سن(AMD)، نئوواسکولاریزیشن کروئیدال (CNV) و سوراخ ماکولا (MH) می­باشد. در تصویربرداری های صورت گرفته، طول موج مرکزی، پهنای باند طیفی و نرخ A-SCAN مربوط بهSS OCT به ترتیب 1064 نانومتر، 100 نانومتر و 100 کیلوهرتز بوده است. در داده های این چالش افراد مبتلا به DME با برچسب 1 (73 نفر)، افراد سالم با برچسب 0 (54 نفر)، و بیماران غیر دیابتی با اختلالات AMD، CNV، یا سوراخ ماکولا (MH) با برچسب 2 (64 نفر) نمایش داده شده اند. هر فرد شامل 300 B-scan با وضوح 300 تا 1200 در 300 پیکسل است. این تصاویر در مجموعه داده با عنوان 1- Raw Dataset موجود است. از آنجایی که برخی از داده ها کیفیت پایینی دارند یا ناحیه ماکولا ضبط نشده است، ارزیابی کیفیت (QA) بر روی تصاویر مرحله قبل انجام شده است تا تعیین کند که آیا B-scan برای تجزیه و تحلیل های بیشتر مناسب است یا خیر. برای مرحله آماده سازی داده ها، ارزیابی کیفی دستی انجام شد. داده ها به دو دسته تقسیم شدند: 190 پوشه از B-scan های واجد شرایط و 188 پوشه از B-scan های غیر واجد شرایط. هر پوشه شامل 1 تا 300 B-scan است. و همه B-scan ها در هر پوشه به یک فرد خاص تعلق دارند. داده های آموزشی برای QA در ماتریس 0-QA-data موجود است. برای آموزش QA از روش Deep Convolutional Neural Network استفاده شده است. در مرحله بعد از QA برای ارزیابی کیفیت تصاویر مجموعه 1-Raw Dataset استفاده شد. و افراد با بیش از 30 B-scan واجد شرایط انتخاب شده اند.

• #سلامت
• #چشم_پزشکی
• #هوش_مصنوعی
• #نخبگان