ترجمه مقاله مدل یادگیری عمیق(Deep Learning Is Effective for Classifying Normal versus Age-Related Macular Degeneration Optical Coherence Tomography Im

یادگیری عمیق موثر برای طبقه بندی عادی در مقابل مربوط به سن دژنراسیون ماکولا نوری انسجام توموگرافی تصاویر

این فایل zip در قالب یک فایل ورد(20ص) و پی دی اف که ترجمه و متن زبان اصلی مقاله است.

سیسیلیا S. لی ، MD، داگ M. Baughman ، BS، هارون Y. لی ، MD، MSCI ،

هدف:

ظهور سوابق پزشکی الکترونیکی (EMR ها) با پایگاه داده های بزرگ تصویربرداری الکترونیکی همراه با پیشرفت در شبکه های عصبی عمیق با یادگیری ماشین یک فرصت منحصر به فرد برای رسیدن به نقاط عطف در تجزیه و تحلیل تصویر خودکار فراهم کرده است. انسجام نوری توموگرافی (اکتبر) از رایج ترین روش تصویربرداری در چشم پزشکی است و نشان دهنده یک مجموعه داده متراکم و غنی زمانی که با برچسب مشتق شده از EMR ترکیب شده است. ما به دنبال برای تعیین اینکه آیا یادگیری عمیق می تواند مورد استفاده برای تشخیص تصاویر طبیعی اکتبر از تصاویر از بیماران مبتلا به دژنراسیون ماکولا وابسته به سن (AMD).

طرحEMR: و اکتبر مطالعه پایگاه داده است.

موضوع: بیماران عادی و AMD که تحت ماکولا اکتبر

مواد و روش ها:

تهیه خودکار از یک پایگاه داده اکتبر انجام شده و مربوط به نقطه پایان بالینی از EMRمی باشد. اسکن نوری توموگرافی انسجام ماکولا توسط هایدلبرگ Spectralis به دست آمده، و هر اسکن اکتبر به EMRR نقطه پایان بالینی استخراج شده از (EPIC)حماسه در ارتباط بود.11 تصویر مرکزی از هر اسکن اکتبر از 2 گروه بیماران انتخاب شدند : نرمال و AMD . اعتبار متقاطع با استفاده از یک زیر مجموعه تصادفی از بیماران انجام شد. گیرنده عامل (ROCC) منحنی مشخصه سطح مستقل تصویر، سطح اکتبر ماکولا، و سطح بیمار ساخته شد.

اندازه گیری وزن: سطح زیر منحنی ROC.

نتایج:

استخراج اخیر 2.6 میلیون تصاویر اکتبر به نقاط داده های بالینی مرتبط از EMR، 52 690 تصاویر اکتبر ماکولا نرمال و 48 312 تصاویر AMD ماکولا اکتبر انتخاب شدند. شبکه های عصبی عمیق به دسته بندی تصاویر به صورت عادی و یا AMD آموزش دیده بود. در سطح تصویر، ما یک سطح زیر منحنی ROC از 92.78٪ با دقت 87.63٪ به دست آورد. در سطح ماکولا، ما یک منطقه زیر منحنی ROC از 93.83٪ با دقت 88.98٪ به دست آورد. در سطح بیمار، ما یک سطح زیر منحنی ROC از 97.45٪ با دقت 93.45٪ به دست آورد. حساسیت و ویژگی قله با قطع بهینه 92.64٪ و 93.69٪ بود.

نتیجه گیری:

روش یادگیری عمیق به دقت بالا و به عنوان یک تکنیک طبقه بندی تصویر جدید موثر است. این یافته ها دارای پیامدهای مهم در استفاده از اکتبر در غربالگری خودکار و توسعه از ابزارهای تشخیص به کمک کامپیوتر در آینده است.

چشم پزشکی شبکیه چشم 2017،6-1-2016توسط آکادمی چشم آمریکا. این مقاله با دسترسی آزاد و تحت مجوزCC BY-NC-ND است.

(http://creativecommons.org/licenses/by-nc-nd/4.0/).

انسجام نوری توموگرافی (اکتبر) تبدیل شده است بیشتر مورد استفاده روش تصویربرداری در چشم پزشکی، با 4،390،000، 4.93 میلیون و 5.35 میلیون OCTs در سال 2012، 2013، و 2014، به ترتیب انجام، در جمعیت ایالات متحده مدیکر( یک برنامه ملی بیمه اجتماعی است که توسط دولت فدرال ایالات متحده آمریکا از ۱۹۶۵ مدیریت می‌شود ) است. 1 از آنجا که توسعه آن در سال 1991، 2 افزایش 700 برابر در استفاده اکتبر برای تشخیص وابسته به سن دژنراسیون ماکولا (AMD) بین سال های 2002 و 2009. گزارش شد 3 علاوه بر این، از زمان توسعه عوامل ضد رگ زایی، اکتبر یک ابزار حیاتی مناسب برای ارزیابی شبکیه پایه قبل از شروع درمان و نظارت بر اثر درمانی آن است. 4؛ 5 این افزایش در استفاده از اکتبر، حاصل تصاویر ذخیره شده در پایگاه داده های بزرگ الکترونیکی برجسته زمان و تلاش روزافزون صرف شده توسط ارائه دهندگان تفسیر تصاویر است.

یافته های کلیدی اکتبر در AMD، شامل دروزن(Drusen)، تغییرات رنگدانه اپیتلیوم شبکیه، و زیر شبکیه و مایع intraretinal است، 4 سهم برخی ویژگی های مشترک اکتبر که کاملا متفاوت از شبکیه چشم طبیعی هستند. 6 شناسایی صحیح این ویژگی اجازه می دهد تا برای مدیریت دقیق نئوواسکوالر AMD و هدایت تصمیم گیری که آیا درمان با عوامل داخل فاکتور رشد اندوتلیال ضد عروقی باید داده شود یا نه. 7؛ 8؛ 9 به کمک تشخیص کامپیوتر (CAD) به طور بالقوه این اجازه را برای شناسایی کارآمد تر از تصاویر اکتبر پاتولوژیک و کارگردانی توجه پزشک به مناطق مورد علاقه بر روی تصاویر اکتبر را می دهد.

مفهوم CAD است جدید نیست و در رادیولوژی کاربرد دارد، یک زمینه که در آن افزایش تقاضا از مطالعات تصویربرداری را آغاز کرده است، به پیشی گرفتن ظرفیت تمرین رادیولوژیست اعمال می شود. 10 تعدادی از سیستم های CAD توسط اداره غذا و داروی آمریکا برای تشخیص ضایعه و تجزیه و تحلیل حجمی در ماموگرافی، رادیوگرافی قفسه سینه و سی تی اسکن قفسه سینه تایید شده است،. 11

تجزیه و تحلیل تصویر سنتی مورد نیاز توسعه دستی ماتریس کانولوشن برای تشخیص لبه و استخراج ویژگی به یک تصویر اعمال می شود. علاوه بر این، کار قبلی در اکتبر طبقه بندی تصویر از بیماری است در روش های یادگیری ماشین مانند تجزیه و تحلیل مولفه، پشتیبانی ماشین بردار، و جنگل های تصادفی متکی بود. 12؛ 13؛ 14 با این حال، به تازگی یک گام انقلابی به جلو در روش های یادگیری ماشین با ظهور یادگیری عمیق، که در آن یک شبکه عصبی بسیاری از لایه ها آموزش دیده است به منظور توسعه این ماتریس کانولوشن صرفا داده های آموزشی بوده است. 15 به طور خاص، توسعه لایه های شبکه های عصبی کانولوشن مجاز برای دستاوردهای قابل توجهی در توانایی برای طبقه بندی تصاویر و تشخیص اشیاء در یک تصویر است. 16؛ 17؛ 18 در چشم پزشکی، یادگیری عمیق شده است به تازگی در ظرفیت محدودی برای تشخیص خودکار از رتینوپاتی دیابتی از عکس فوندوس، perimetryy بصری زمینه در بیماران مبتلا به گلوکوم، درجه بندی آب مروارید هسته ای، و تقسیم بندی از microvasculature فووآ، هر کدام با یافته های اولیه امیدوار اعمال می شود. 19؛ 20؛ 21؛ 22

اگر چه یادگیری عمیق انقلابی در زمینه از بینایی کامپیوتر، نرم افزار آن است که معمولا به دلیل عدم از مجموعه آموزش های بزرگ محدود شده است. اغلب چند ده هزار نفر از نمونه های مورد نیاز قبل از یادگیری عمیق می تواند به طور موثر استفاده شود. با استفاده روزافزون از اکتبر به عنوان یک روش تصویربرداری در چشم پزشکی همراه با استفاده از داده های بالینی ساختار مدون در پرونده پزشکی الکترونیکی (EMR)، ما به دنبال پیوند 2 مجموعه عظیمی از داده با هم به عنوان یک مجموعه آموزشی استفاده برای توسعه یک الگوریتم یادگیری عمیق به تشخیص AMD از تصاویر عادی اکتبر هستیم.