تشخیص ناهنجاری بافت قلب توسط یادگیری عمیق

توضیحات

مقدمه:
در طول دهه‌های گذشته، شبکه‌های عصبی عمیق به دلیل توانایی‌ بالا در استخراج ویژگی از تصویر، عملکردی عالی برای تجزیه ‌و تحلیل تصاویر داشته‌اند و بینایی کامپیوتر را متحول کرده‌اند. اخیرا، کاربردهای سیستم‌های تشخیص تصویر پزشکی، مرزهای هوش مصنوعی را به مناطقی که قبلاً دامنه‌ی کاری متخصصان انسانی بود نیز گسترش داده‌اند .
بافت‌شناسی ، مطالعه‌ای از آناتومی است که با بررسی نمونه‌های بافتی زیر میکروسکوپ به ‌دست می‌آید . این یک روش اساسی و همه‌گیر در زیست‌شناسی است و برای تشخیص بالینی بسیاری از بیماری‌ها به عنوان مثال در تشخیص آسیب بافتی، استاندارد طلایی محسوب می‌شود. هم‌چنین به ‌عنوان ابزاری کمکی برای شناسایی بیماری‌های عملکردی عمل می‌کند . تجزیه‌ و تحلیل تصاویر هیستوپاتولوژی ، یک روش اساسی برای زیست‌شناسان و آسیب‌شناسان برای مطالعه‌ی ویژگی‌های یک شی در سطح ریز است؛ زیرا تصاویر میکروسکوپی سلول‌ها و بافت‌ها حاوی اطلاعات ارزشمندی برای مطالعه‌ی علمی و تشخیص پزشکی هستند .
بیماری‌های قلبی عروقی ، اصلی‌ترین علت مرگ‌ و میر در سطح جهان است. سالانه بیش از ۲۶ میلیون نفر در سراسر جهان از نارسایی قلبی رنج می‌برند و حدود نیمی از این بیماران در عرض پنج، سال جان خود را از دست می‌دهند . نارسایی قلبی یک سندرم بالینی جدی و پیش‌رونده است که در آن اختلال در عملکرد بطنی منجر به “پرفیوژن سیستمیک ناکافی ” می‌شود. تشخیص نارسایی قلبی معمولاً بر تاریخچه‌ی بالینی بیمار، معاینه‌ی فیزیکی، آزمایش‌های آزمایشگاهی پایه و تصویربرداری متکی است . با این حال، زمانی که علت نارسایی قلبی نامشخص باشد، نمونه‌برداری عضله قلب استاندارد طلایی برای ارزیابی و درجه‌بندی بیماری قلبی است . نگرانی اولیه در مورد تفسیر دستی نمونه‌ی عضله‌ی قلب، اختلاف‌نظر نسبتاً بالای بین ارزیاب‌ها و نشانه‌های بالینی محدود است.
با ظهور آسیب‌شناسی دیجیتال، تعدادی از افراد بینایی کامپیوتر و یادگیری ماشین را برای این مجموعه‌ی داده‌ها به کار می‌برند تا شناسایی و تشخیص بیماری را بهبود بخشند . کارهای اخیر نشان داده است که ویژگی‌های تصویر استخراج‌شده از هیستوپاتولوژی تومور دیجیتالی شده از طریق بینایی کامپیوتر و الگوریتم‌های یادگیری ماشین می‌تواند تشخیص و پیش‌آگهی را در انواع سرطان‌ها بهبود بخشد . در مقابل، تجزیه ‌و‌ تحلیل تصاویر هیستوپاتولوژی قلب، کمتر مورد توجه قرار گرفته است؛ اگرچه قطعه‌بندی میوسیت‌ها یا کمّی‌سازی بافت چربی و فیبروز در یک مطالعه‌ی زوجی پیشنهاد شده است .
اخیرا، بسیاری از رویکردها برای تجزیه‌وتحلیل تصویر، از شبکه‌های عصبی عمیق یا یادگیری عمیق برای مهندسی ویژگی و استخراج ویژگی‌های تصویر استفاده کرده‌اند. یادگیری عمیق نمونه‌ای از یادگیری بازنمایی است؛ دسته‌ای از رویکردهای یادگیری ماشینی که در آن ویژگی‌های متمایز از قبل مشخص نشده‌اند، بلکه مستقیماً از داده‌های خام آموخته می‌شوند. در شبکه‌های عصبی عمیق، نورون‌ها یا گره‌های مصنوعی زیادی وجود دارد که در یک شبکه‌ی سلسله ‌مراتبی از لایه‌های کانولوشنی ، ادغام بیشینه و کاملاً متصل مرتب شده‌اند. ساختار سلسله مراتبی، به مدل اجازه می‌دهد تا توابع پیچیده را تقریب بزند و ترکیبات غیرخطی ویژگی‌هایی را بیاموزد که بین کلاس‌ها تمایز قائل شوند. هنگامی که یک مدل شبکه‌ی عصبی عمیق بر روی یک مجموعه داده‌ی به اندازه‌ی کافی بزرگ، آموزش داده می‌شود، باید بتواند اطلاعات آموخته‌شده را به نمونه‌های دیده نشده از مجموعه‌ی داده تعمیم دهد.
قبلاً از یادگیری عمیق با موفقیت برای تشخیص سرطان در نمونه‌های بافتی ، رتینوپاتی دیابتی و ضایعات پوستی استفاده شده است و علاوه بر این در آسیب‌شناسی دیجیتال کاربرد دارد؛ زیرا استفاده از روش یادگیری عمیق در مجموعه داده‌های آموزشی بزرگ و پیچیده، مانند تصاویر اسلاید کامل ، نسبت به روش‌های دیگر برتری دارد. در این تحقیق، ما یک شبکه‌ی عصبی عمیق را برای تشخیص نارسایی قلبی بالینی با استفاده از تصاویر فرعی نمونه‌برداری شده از تصاویر اسلاید کامل مربوط به بافت قلب، ایجاد کرده و نشان خواهیم داد که استفاده از شبکه‌ی عصبی عمیق، نارسایی قلبی را با دقت و صحت بالا و تنها با استفاده از آسیب‌شناسی بافت قلب، بهتر از رویکردهای متداول مهندسی ویژگی‌ها و هم‌چنین بهتر از دو فرد متخصص در آسیب‌شناسی، تشخیص خواهد داد.