بهبود کیفیت تصاویر پخش نوری از تومور سینه با استفاده از هوش مصنوعی

تصویربرداری پخش نوری یک تکنیک تصویربرداری غیرتهاجمی و غیرمخرب است که از امواج الکترومغناطیسی در محدوده ی طول موجی فروسرخ نزدیک برای اندازه گیری ویژگی های اپتیکی بافت زیستی نظیر جذب و پراکندگی از مرزهای محیط استفاده می کند. عواملی چون پراکندگی بسیار زیاد نور در بافت های زیستی و تعداد محدود اندازه گیری ها سبب شده مسیله ی بازسازی تصویر در این تکنیک چالش برانگیز شود. اخیرا شبکه های عصبی ژرف به حوزه بازسازی تصویر وارد شده اند و توانسته اند عملکرد بسیار خوبی از خود نشان دهند. در این پژوهش، روشی جدید برپایه ی یادگیری ژرف برای حل این مسیله ارایه شده است.

برای پیاده سازی این روش با استفاده از شبیه سازی رایانه ای، بافت هایی مکعبی شکل با ابعاد 64×64×64 mm3  با تومورهایی در عمق 21 تا 42 میلی متری ایجاد گردید. برای اندازه گیری از مرز بافت، شبکه ای 5×5  از منابع و آشکارسازها در طرفین بافت تعبیه کردیم. برای انجام عمل بازسازی، دو شبکه عصبی ژرف با معماری کاملا متصل و کانوولوشنی دوبعدی ایجاد نمودیم.

یافته ها:

 برای سنجش کارایی این الگوریتم ها، عملکرد آن ها را با یکی از روش های کلاسیک برپایه ی مدل یعنی روش گرادیان مزدوج مقایسه کردیم. برای مقایسه ی این روش ها از معیارهایی چون میانگین خطای مطلق (MAE)، خطای حداقل مربعات (MSE)، بیشینه سیگنال به نویز  (PSNR) و شاخص شباهت ساختاری  (SSIM) استفاده شد. نتایج به دست آمده نشان داد که   MSEبه صورت میانگین 86 درصد و MAE تا 81 درصد کاهش داشته و PSNR  2 برابر افزایش یافته است.

نتیجه گیری: 

نتایج این پژوهش نشان داد که استفاده از شبکه های مصنوعی ژرف در مقایسه با روش های بازسازی کلاسیک جهت یازسازی تصاویر پخش نوری می تواند موجب بهبود کیفیت تصاویر به دست آمده شود.