tsta

Home / سی و دومین کنفرانس ملی و دهمین کنفرانس بین المللی مهندسی زیست پزشکی ایران

تشخیص بیماری MS با استفاده از EfficientNet-B0 و CycleGAN بر پایه نقشه‌های ضخامت شبکیه

Authors :

محبوبه سبزه یان¹ مریم سبزه یان² ماندانا سادات غفوریان³ امین نوری⁴

1- دانشگاه سجاد مشهد 2- دانشگاه سجاد مشهد 3- دانشگاه فردوسی مشهد 4- دانشگاه سجاد مشهد

Keywords :

افزایش داده CycleGan،تشخیص بیماری،مولتیپل اسکلروزیس،نقشه ضخامت شبکیه،یادگیری انتقالی،EfficientNet-B0

Abstract :

بیماری مولتیپل اسکلروزیس (MS) یکی از اختلالات مزمن و پیش‌رونده سیستم عصبی است که شناسایی زودهنگام آن می‌تواند به بهبود فرایند درمان و کاهش آسیب‌های عصبی کمک کند. تصویربرداری توموگرافی انسجام نوری (OCT) در سال‌های اخیر به‌عنوان ابزاری غیرتهاجمی برای بررسی تغییرات ساختاری شبکیه در بیماران MS مطرح شده است. در این پژوهش، یک سامانه یادگیری عمیق جهت طبقه‌بندی بیماران مبتنی بر نقشه‌های ضخامت شبکیه توسعه داده شده است. این سامانه از معماری EfficientNet-B0 بهره می‌برد که با استفاده از تکنیک افزایش داده مبتنی بر شبکه‌های مولد تخاصمی چرخه‌ای (CycleGAN)، داده‌ها را غنی‌سازی کرده است. عملکرد مدل پیشنهادی در مقایسه با معماری‌های مرسوم از جمله ResNet-50، ResNet-101 و VGG-19 مورد ارزیابی قرار گرفت. یافته‌ها نشان می‌دهد که مدل پیشنهادی با دستیابی به دقت ۹۹.63٪، امتیاز F1 معادل ۹۹.61٪ و سطح زیر منحنی (AUC) برابر با ۱۰۰٪، از سایر معماری‌ها عملکرد دقیق‌تری داشته است. تا آنجا که بررسی‌ها نشان می‌دهد، این نخستین مطالعه‌ای است که از ترکیب EfficientNet-B0 با نقشه‌های ضخامت لایه‌های شبکیه مبتنی بر OCT به‌منظور تشخیص MS بهره می‌برد. نتایج حاصل، قابلیت بالای این چارچوب را برای بهره‌برداری در محیط‌های کلینیکی و شرایط محدودیت داده برجسته می‌سازد.