ارائه روشي مبتني بر پردازش تصوير و يادگيري ماشين جهت برآورد ميزان كلاژن و الاستين تصاوير پاتولوژيك زخم پوست

رشت

زمينه و هدف:تفسير هيستوپاتولوژيك زخم، براي بررسي روند ترميم حائز اهميت است. بررسي ميكروسكوپي تصاوير توسط پاتولوژيست، داراي محدوديت هايي مانند صرف زمان و هزينه قابل توجه دارد. لذا اين مطالعه طراحي گرديد تا به صورت ماشيني و با استفاده از الگوريتم هوشمند ميزان كلاژن و الاستين نمونه هاي بافتي زخم را از روي تصاوير پاتولوژيك برآورد كند. مواد و روش ها: در اين مطالعه¬ي تجربي پس از ايجاد زخم در پشت 16 سر موش سوري Balb/c ، در پايان روز دهم (8 سر) و چهاردهم (8 سر) قرباني شدند. نمونه بافتي از محل زخم به همراه بافت هاي سالم اطراف آن به آزمايشگاه پاتولوژي ارسال گرديد و تعداد 100 لام از نمونه زخم ها استخراج شد. به منظور تعيين ميزان كلاژن و الاستين نمونه‌ها، بافت‌ها با استفاده از روش Masson’s trichrome و Verhoeff-Van Gieson رنگ‌آميزي شدند. ميزان كلاژن و الاستين موجود در هر بافت براساس رتبه، بين 1 تا 4 برآورد شد. پس از سه بار برررسي تصاوير، ميانه رتبه اختصاص داده شده، به عنوان ميزان كلاژن و الاستين گزارش شد. با استفاده از نرم افزار متلب، تصاوير بافت شناسي به چهار فضاي رنگي RGB، CIE lab،YCbCr و HSV تبديل شد و سپس استخراج ويژگي تصاوير از طريق ممان رنگ (ميانگين، انحراف معيار، چولگي (skewness) و كشيدگي (kurtosis) و همچنين نمودار هيستوگرام صورت گرفت. 70 درصد داده ها به منظور آموزش و 30 درصد داده ها نيز براي تست الگوريتم، بصورت تصادفي بوسيله نرم افزار متلب انتخاب شدند. به منظور ارزيابي ميزان كارايي مدل در طبقه بندي تصاوير به وسيله الگوريتم SVM ، پارامترهاي صحت، دقت، حساسيت و اختصاصي بودن گزارش شد. نتايج: عملكرد الگوريتم يادگيري ماشين براي برآورد ميزان كلاژن زخم پوست داراي صحت85%، دقت31/92%،حساسيت 71/85 % و اختصاصي بودن33/83% مي¬باشد و همچنين عملكرد الگوريتم يادگيري ماشين براي برآورد ميزان الاستين زخم پوست داراي صحت80%، دقت66/91%، حساسيت57/78% و اختصاصي بودن33/83% گزارش شده است. نتايج به دست آمده از اين بررسي نشان داد كه يادگيري ماشين، كارايي مناسبي براي براورد ميزان كلاژن و الاستين زخم پوست دارد.

220687

علوم پزشكي گيلان