استنتاج سریع در طبقه‌بندی تصاویر توموگرافی همدوسی نوری (OCT) برای تشخیص بلادرنگ بیماری‌های شبکیه
استنتاج سریع در طبقه‌بندی تصاویر توموگرافی همدوسی نوری (OCT) برای تشخیص بلادرنگ بیماری‌های شبکیه
نوشتهٔ
Amin Rahmani, Mehdi Ghatee
برای انتشار در این نشریه پذیرفته شده است: «Biomedical Signal Processing and Control“.
نکات برجسته
- طرح نوین خروج زودهنگام مبتنی بر انرژی.
- روش نوین تشخیص خروج زودهنگام با استفاده از برازش توزیع.
- طبقه‌بندی بلادرنگ OCT روی دستگاه‌هایی با توان محاسباتی محدود.
چکیده
پیشینه:
افزایش شیوع بیماری‌های شبکیه، نیاز به متخصصان بیشتر چشم‌پزشکی را برجسته می‌کند؛ زیرا روش‌های تشخیصی موجود در غربالگری کارآمدِ جمعیت روبه‌رشد بیماران با دشواری روبه‌رو هستند. پیشرفت‌های اخیر هوش مصنوعی، به‌ویژه در یادگیری عمیق، راهکاری امیدبخش ارائه می‌کنند.
اهداف:
با توجه به افزایش تقاضا برای خدمات سلامت از راه دور و سامانه‌های تشخیصی دقیق، هدف ما توسعهٔ چارچوبی مبتنی بر یادگیری عمیق برای طبقه‌بندی تصاویر توموگرافی همدوسی نوری (OCT) است. این چارچوب برای استفادهٔ چشم‌پزشکان روی دستگاه‌های کم‌هزینه و با توان محاسباتی محدود، مانند تلفن‌های هوشمند، طراحی شده است.
مواد و روش‌ها:
برای بهینه‌سازی کارایی محاسباتی در طبقه‌بندی OCT، چارچوبی از یادگیری عمیق با خروج زودهنگام مبتنی بر انرژی ارائه می‌کنیم. این چارچوب، یک ماژول خروج زودهنگام را با الگوریتم تصمیم‌گیری مبتنی بر توزیع در زمان استنتاج ادغام می‌کند. این ماژول‌ها تعداد خروج‌ها از لایه‌های ابتدایی شبکهٔ اصلی را افزایش می‌دهند.
نتایج:
مدل‌های ResNet-18 و ResNet-50 ما روی مجموعه‌دادهٔ OCT2017 در زمانی کمتر از 0.1 ثانیه به دقت 100% رسیدند و به‌طور میانگین به 0.77 GMacs به‌ازای هر نمونه نیاز داشتند. در آزمون روی مجموعه‌دادهٔ دومی شامل 3,231 نمونه، امتیاز F برابر با 1 را حفظ کردیم و هم‌زمان سربار محاسباتی را با موفقیت کاهش دادیم. افزون بر این، مدل روی تلفن‌های هوشمند عملکرد بسیار خوبی داشت و به‌طور میانگین برای هر نمونه به 0.618 ثانیه زمان و تنها 6 مگابایت حافظه نیاز داشت.
نتیجه‌گیری:
مدل‌های یادگیری عمیقی توسعه داده‌ایم که سرعت استنتاج را افزایش می‌دهند، هزینه‌های محاسباتی را کاهش می‌دهند و دقت بالا را حفظ می‌کنند. این چارچوب می‌تواند از چشم‌پزشکان در تشخیص بیماری‌های شبکیه با استفاده از تلفن هوشمند پشتیبانی کند یا به‌عنوان ابزاری ارزشمند برای پایش سلامت از راه دور به کار رود.
چکیدهٔ تصویری
کلیدواژه‌ها
مسیریابی پویا
خروج زودهنگام
یادگیری عمیق
مدل مبتنی بر انرژی
طبقه‌بندی OCT
مرجع: https://doi.org/10.1016/j.bspc.2024.107365
نسخهٔ کامل مقالهٔ «استنتاج سریع در طبقه‌بندی تصاویر توموگرافی همدوسی نوری (OCT) برای تشخیص بلادرنگ بیماری‌های شبکیه» نوشتهٔ Amin Rahmani و Mehdi Ghatee اکنون در نشریهٔ «Biomedical Signal Processing and Control» به‌صورت آنلاین در دسترس است. با کلیک بر پیوند اشتراک‌گذاری زیر پیش از 16 فوریهٔ 2025 می‌توان آن را دریافت کرد. نیازی به ایجاد حساب، ثبت‌نام یا پرداخت هزینه نیست.
پیوند اشتراک‌گذاری: