تشخیص غیرتهاجمی کم خونی مبتنی بر پردازش تصویر و یادگیری ماشین

آزمایش شمارش کامل خون و بررسی سطح هموگلوبین به عنوان اصلی ترین روش به منظور بررسی بیماری کم خونی به کار برده می شود که طبق آمار سازمان بهداشت جهانی ۴۰% کودکان زیر ۵ سال به این بیماری مبتلا هستند. باتوجه به تهاجمی بودن فرآیند آزمایش خون و هزینه بر بودن این روش، نیاز به معرفی و توسعه روش های تشخیصی غیرتهاجمی و زودهنگام مطرح می شود. در حال حاضر بسیاری از برنامه های تلفن همراه به عنوان مکملی برای تشخیص بیماری ها توسط پزشکان و متخصصان ارائه می گردد که براساس عکس برداری از ناحیه مورد مطالعه دنبال می شوند. روش تشخیصی ارائه شده برای بیماری کم خونی از طریق عکسبرداری از ناحیه منتخب کف دست کودکان در بازه سنی زیر۶ سال و بررسی توزیع شاخصه رنگ در این تصاویر بود. این تصاویر در فضاهای رنگی RGB، CIELab و HSV مورد مطالعه قرار گرفته و شاخص های رنگی نمونه های مبتلا و سالم مقایسه و ارزیابی شدند و بدین ترتیب اصلی ترین مولفه های رنگی در تشخیص این بیماری از طریق پردازش تصویر و الگوریتم های یادگیری ماشین شامل میانگین محور L و مقدار میانگین قرمزی در فضای RGB بودند. بهترین عملکرد الگوریتم ها برای تعیین کلاس نمونه ها مربوط به فضای Lab و الگوریتم درخت تصمیم با صحت ۱۰۰%، حساسیت ۸۶.۷۹ % و دقت ۱۰۰% و الگوریتم افتراقی خطی با صحت ۹۶.۲۳% و حساسیت ۸۶.۲۷% و دقت ۱۰۰% بود. از مدل شبکه عصبی پیچشی نیز برای کلاس بندی تصاویر استفاده گردید و صحت این مدل برای داده های آموزش ۹۳% و برای داده های تست ۹۵% گزارش شد. نمونه ها مطابق با تناژ پوستی در فضای Lab براساس مقدار محور L طبقه بندی شده و از الگوریتم های یادگیری ماشین برای پیش بینی سطح هموگلوبین پیش بینی شده توسط مدل برای هر نمونه استفاده شد و بهترین عملکرد الگوریتم ها و معیارهای ارزیابی برای هر مدل ارائه گشت. ضریب همبستگی پیرسون برای دو متغیر هموگلوبین واقعی و هموگلوبین پیش بینی شده توسط الگوریتم در فضای Lab با مقدار ۰.۹۸ برای الگوریتم جنگل تصادفی و ۰.۹۴ برای الگوریتم رگرسیون خطی به دست آمد.

Keywords:

تشخیص بیماری , پردازش تصویر , یادگیری ماشین , تشخیص کم خونی