ﺑﺎزﯾﺎﺑﯽ ﺗﺼﺎوﯾﺮ ﭘﺰﺷﮑﯽ رﯾﻪ ﺑﺎ اﺳﺘﻔﺎده از درﻫﻢ ﺳﺎزي ﺑﺎ ﻧﺎﻇﺮ، اﻧﺘﺨﺎب وﯾﮋﮔﯽ mRMR و ﺷﺒﮑﻪﻫﺎي ﻋﺼﺒﯽ ﮐﺎﻧﻮﻟﻮﺷﻨﯽ ﻋﻤﯿﻖ

ﺗﻮﺳﻌﻪ ﭘﺰﺷﮑﯽ ﻧﻮﯾﻦ از ﯾﮏ ﻃﺮف اﻣﮑﺎن ذﺧﯿﺮهﺳﺎزي ﺗﺼﺎوﯾﺮ ﭘﺰﺷﮑﯽ را ﻓﺮاﻫﻢ ﮐﺮده اﺳﺖ و از ﻃﺮف دﯾﮕﺮ ﺑﺪﻟﯿﻞ اﻓﺰاﯾﺶ روزاﻧﻪ ذﺧﯿﺮهﺳﺎزي اﯾﻦ ﻗﺒﯿﻞ داده، ﻣﺪﯾﺮﯾﺖ و ﺑﺎزﯾﺎﺑﯽ آنﻫﺎ را ﻧﯿﺰ ﺑﺎ ﻣﺸﮑﻞ ﻣﻮاﺟﻪ ﺳﺎﺧﺘﻪ اﺳﺖ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ آﻧﮑﻪ ﺗﺼﺎوﯾﺮ ﭘﺰﺷﮑﯽ ﺑﻪ ﻋﻨﻮان اﺑﺰاري ﻗﺪرﺗﻤﻨﺪ در ﺗﺸﺨﯿﺺ زودرس اﻏﻠﺐ ﺑﯿﻤﺎريﻫﺎ ﻣﻮرد اﺳﺘﻔﺎده ﻫﺴﺘﻨﺪ، اراﺋﻪ ﺳﯿﺴﺘﻤﯽ ﺗﻮاﻧﻤﻨﺪ ﮐﻪ ﺑﺘﻮاﻧﺪ از ﺣﺠﻢ رو ﺑﻪ رﺷﺪ ﺗﺼﺎوﯾﺮ ﭘﺰﺷﮑﯽ، ﺗﺼﺎوﯾﺮي ﺑﺎ ﻣﺤﺘﻮاي ﻣﺸﺎﺑﻪ را ﺑﺎزﯾﺎﺑﯽ ﻧﻤﺎﯾﺪ، در ﮐﻨﺘﺮل و درﻣﺎن ﺑﺴﯿﺎر ﻣﻮﺛﺮ اﺳﺖ. در اﯾﻦ ﻣﻘﺎﻟﻪ ﯾﮏ ﺳﯿﺴﺘﻢ ﺑﺎزﯾﺎﺑﯽ ﺗﺼﺎوﯾﺮ ﭘﺰﺷﮑﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﺳﯿﺎﻣﯽ ﻣﺘﺸﮑﻞ از دو زﯾﺮ ﺷﺒﮑﻪ ﮐﺎﻧﻮﻟﻮﺷﻦ ﺑﺎ 13 ﻻﯾﻪ اراﺋﻪ ﺷﺪه اﺳﺖ. ﺑﺮاي رﺳﯿﺪن ﺑﻪ زﯾﺮ ﻣﺠﻤﻮﻋﻪ ﺑﻬﯿﻨﻪ از وﯾﮋﮔﯽﻫﺎي ﻋﻤﯿﻖ اﺳﺘﺨﺮاج ﺷﺪه ﺗﻮﺳﻂ ﺳﯿﺎﻣﯽ، از ﺗﮑﻨﯿﮏ ﺣﺪاﻗﻞ اﻓﺰوﻧﮕﯽ- ﺣﺪاﮐﺜﺮ ﻫﻤﺒﺴﺘﮕﯽ mRMR اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ و ﭘﺲ از درﻫﻢﺳﺎزي ﺑﺎﯾﻨﺮي وﯾﮋﮔﯽﻫﺎ، ﺑﺎزﯾﺎﺑﯽ ﺗﺼﺎوﯾﺮ ﻣﺸﺎﺑﻪ ﺑﺎ اﺳﺘﻔﺎده از ﻓﺎﺻﻠﻪ Hamming اﻧﺠﺎم ﻣﯽﺷﻮد. اﮔﺮ ﭼﻪ ﻣﺪل ﻣﻄﺮح ﻗﺎﺑﻠﯿﺖ ﺑﺎزﯾﺎﺑﯽ اﻧﻮاع ﺗﺼﺎوﯾﺮ ﭘﺰﺷﮑﯽ ﺳﻄﺢ ﺧﺎﮐﺴﺘﺮي را دارد، اﻣﺎ ﺑﺮاي ارزﯾﺎﺑﯽ آن، از دو ﻧﻮع ﺗﺼﺎوﯾﺮ رﯾﻪ، ﺷﺎﻣﻞ ﺗﺼﺎوﯾﺮ ﺳﯽﺗﯽ اﺳﮑﻦ ﺑﯿﻤﺎران ﮐﻮوﯾﺪ-19 در ﭘﺎﯾﮕﺎه داده CT-COV و ﺗﺼﺎوﯾﺮ اﺷﻌﻪ X ﺑﯿﻤﺎران ذاتاﻟﺮﯾﻪ در ﭘﺎﯾﮕﺎه Pneumonia اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ. ﻧﺘﺎﯾﺞ ﺣﺎﮐﯽ از آن اﺳﺖ ﮐﻪ روش ﭘﯿﺸﻨﻬﺎد ﺷﺪه در ﭘﺎﯾﮕﺎه ﮐﻮوﯾﺪ ﺑﻪ ﺗﺮﺗﯿﺐ در 5 و 10 ﺗﺼﻮﯾﺮ ﺑﺎزﯾﺎﺑﯽ ﺗﻮاﻧﺴﺘﻪ اﺳﺖ ﺑﻪ ﻣﯿﺎﻧﮕﯿﻦ دﻗﺖ 93.83% و 92.73% و در ﭘﺎﯾﮕﺎه داده ذاتاﻟﺮﯾﻪ ﺑﻪ ﻣﯿﺎﻧﮕﯿﻦ دﻗﺖ 100% دﺳﺖ ﯾﺎﺑﺪ ﮐﻪ در ﻣﻘﺎﯾﺴﻪ ﺑﺎ روشﻫﺎي ﭘﯿﺸﯿﻦ ﺗﻮاﻧﺴﺘﻪ اﺳﺖ ﺑﺎزﯾﺎﺑﯽ ﺗﺼﺎوﯾﺮ رﯾﻪ را ﺑﻬﺒﻮد ﺑﺒﺨﺸﺪ.