شناسایی و تفکیک خودکار ضایعات بیماری مولتیپل اسکلروزیس در MRI با استفاده از معماری بهینه شده U-NET

مولتیپل اسکلروزیس (MS) یک بیماری خودایمنی است که با حمله سیستم ایمنی به غلاف میلین نورونهای مغز و نخاع، موجب اختلال در عملکرد سیستم عصبی مرکزی می شود. در سال های اخیر، بهره گیری از روش های هوش مصنوعی و پردازش تصویر امکان تشخیص سریع و دقیق این بیماری را فراهم کرده است. در این پژوهش، از معماری U-Net به منظور بخش بندی تصاویر MRI و شناسایی نواحی آسیب دیده ناشی از MS استفاده شده است. انتخاب U-Net به دلیل انعطاف پذیری بالا و عملکرد دقیق آن در بخش بندی تصاویر پزشکی، به ویژه در شرایط محدودیت داده انجام شده است. وجود لایه های Skip Connection در این معماری، امکان حفظ اطلاعات محلی و جزئیات مهم در طول فرآیند پردازش را فراهم می کند و در نتیجه دقت مدل را در شناسایی الگوهای پیچیده افزایش می دهد. نتایج آزمایش ها نشان می دهد که مدل پیشنهادی توانسته است با دقت قابل قبول پلاک های مغزی مرتبط با MS را شناسایی کند. بخش بندی و نتایج آزمایش ها نشان داد مدل پیشنهادی در مرحله آموزش به ۹۹.۹۷ درصد و در مرحله آزمایش به ۹۹.۹۲ درصد دقت دست یافت که بیانگر عملکرد قابل اعتماد آن در تشخیص ضایعات مولتیپل اسکلروزیس می باشد.

Keywords:

MS مولتیپل اسکلروزیس , تصویر برداری تشدید مغناطیسی , یادگیری عمیق , U-Net , بخش بندی تصاویر پزشکی