این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ماشین بینایی و پردازش تصویر، جلد ۱۱، شماره ۲، صفحات ۱-۱۱
عنوان فارسی یک شبکه حافظه طولانی کوتاه مدت مبتنی بر عروق شبکیه برای تشخیص بیماری ام اس
چکیده فارسی مقاله مولتیپل اسکلروزیس یا ام اس (MS)  بیماری مزمن ناشی از سیستم ایمنی است که بر سیستم عصبی مرکزی تأثیر می گذارد و منجر به اختلالات مختلف از جمله اختلالات بینایی می شود. تشخیص زودهنگام  ام اس برای درمان ، حیاتی است. اسکن لیزری افتالموسکوپی (SLO) یک تکنیک غیرتهاجمی است که تصاویر شبکیه با کیفیت بالا را ارائه می دهد و نویدبخش تشخیص زودهنگام ام اس است. این مطالعه یک رویکرد مبتنی بر رگ را با استفاده از شبکه‌ ی (LSTM) برای تشخیص MS در تصاویر SLO مورد بررسی قرار می‌دهد. این مطالعه 106 فرد سالم (HCs) و 39 بیمار ام اس (78 چشم) را پس از اجرای اقدامات کنترل کیفیت و حذف تصاویر بی کیفیت یا آسیب دیده، که در مجموع 265 تصویر (73 MS و 192 HC) به دست آمد.  رویکرد ما برای تشخیص زودهنگام ام اس در تصاویر SLO با استفاده از شبکه‌ی LSTM می باشد. این رویکرد شامل دو مرحله کلیدی است: 1) پیش آموزش یک شبکه عصبی عمیق بر روی یک مجموعه داده منبع و 2) تنظیم دقیق شبکه بر روی مجموعه داده هدف متشکل از تصاویر SLO. ما بخش ‌بندی عروق را در تشخیص ام اس و اثربخشی روش پیشنهادی خود را در بهبود مدل‌های تشخیصی بررسی می‌کنیم. مطالعه حاضر هنگامی که بر روی مجموعه داده آزمایشی شامل تصاویر SLO ارزیابی می‌شود، به نرخ دقت چشمگیر 97.44% دست می‌یابد. با انجام آزمایش‌هایی بر روی مجموعه داده‌های SLO و استفاده از رویکرد مبتنی بر رگ با LSTM، یافته‌های تجربی ما نشان از دقت مناسب مدل پیشنهادی دارد.
کلیدواژه‌های فارسی مقاله مولتیپل اسکلروزیس،اسکن لیزری افتالموسکوپی،آنالیز عروق،تقسیم بندی تصویر،یادگیری ماشینی،LSTM،
عنوان انگلیسی A Vessel-Based Long Short-Term Memory (LSTM) Approach for Detecting Multiple Sclerosis
چکیده انگلیسی مقاله Multiple Sclerosis (MS) is a chronic immune-mediated condition affecting the central nervous system, often resulting in various disturbances, including visual impairments. The early and accurate diagnosis of MS is critical for effective treatment and management. Scanning Laser Ophthalmoscopy (SLO) is a non-invasive technique that offers high-quality retinal images and holds promise for early MS detection. This study explores a vessel-based approach using Long Short-Term Memory (LSTM) networks to detect MS in SLO images. The study enrolled 106 Healthy Controls (HCs) and 39 MS patients (78 eyes), after implementing quality control measures and excluding poor-quality or damaged images, resulting in a total of 265 images (73 MS and 192 HC). We present a novel approach for the early detection of MS in SLO images using LSTM networks. This approach involves two key steps: 1) Pre-training a deep neural network on a source dataset and 2) Fine-tuning the network on the target dataset consisting of SLO images. We examine the significance of vessel segmentation in MS detection and investigate the effectiveness of our proposed method in enhancing diagnostic models. Our approach achieves an impressive accuracy rate of 97.44% when evaluated on a test dataset comprising SLO images. By conducting experiments on SLO datasets and employing the vessel-based approach with LSTM, our empirical findings confirm that this method facilitates early MS detection with exceptional accuracy. These models demonstrate the capability to accurately identify the disease with high precision and appropriate sensitivity.
کلیدواژه‌های انگلیسی مقاله مولتیپل اسکلروزیس,اسکن لیزری افتالموسکوپی,آنالیز عروق,تقسیم بندی تصویر,یادگیری ماشینی,LSTM
نویسندگان مقاله ندا یعقوبی |
دانشجوی دکتری دانشگاه آزاد اسلامی واحد کازرون

حسن معصومی |
دانشگاه آزاد اسلامی واحد کازرون

محمد حسین فاتحی |
دانشگاه آزاد اسلامی واحد کازرون

فرشته اشتری |
دانشگاه علوم پزشکی واحد اصفهان

راحله کافیه |
دانشگاه علوم پزشکی واحد اصفهان

نشانی اینترنتی https://jmvip.sinaweb.net/article_206577_6aee5813ce4866923797f7787311abeb.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات