[ad_1]

الگوریتم سلامت موبایل مبتنی بر هوش مصنوعی از دوربین تلفن برای تشخیص سطح اکسیژن رگ های خونی استفاده می کند

تصویر شماتیک یادگیری فراطیفی برای تصویربرداری آنی با استفاده از یک دوربین سه رنگ معمولی (یعنی سنسور تصویر سه رنگ). نمونه‌برداری از اطلاعات طیفی (فوق طیفی) دقیق در یک زیر ناحیه کوچک و در عین حال نماینده، یادگیری فراطیفی را قادر می‌سازد تا یک ابر مکعب را در کل تصویر بازیابی کند و همچنین برای استخراج پارامترهای فیزیکی یا بیولوژیکی، یادگیری ماشینی رانده طیفی انجام دهد. الف) یادگیری فراطیفی برای بازیابی هایپرمکعب. داده های فراطیفی در یک زیر ناحیه کوچک برای آموزش یک الگوریتم یادگیری استفاده می شود که مقادیر RGB در هر پیکسل را به عنوان ورودی می گیرد و طیفی با وضوح طیفی بالا (همچنین به عنوان ابر وضوح طیفی شناخته می شود) برمی گرداند. یادگیری فراطیفی تحت تأثیر یک مبادله ذاتی بین تفکیک‌پذیری‌های فضایی و طیفی قرار نمی‌گیرد، که اغلب تصویربرداری فراطیفی معمولی را محدود می‌کند. ب) نمونه برداری زیر ناحیه ای از داده های فراطیفی. یک طیف‌نگار دو کاناله با شکاف فتومتریک (مواد و روش‌ها) به طور همزمان یک تصویر RGB در کل میدان دید و یک اسکن خط فراطیفی در یک زیر ناحیه کوچک (یعنی خط مرکزی) به روش تک شات دریافت می‌کند. داده های فراطیفی نمونه برداری شده به عنوان اطلاعات قبلی یا محدودیت های فیزیکی برای آموزش الگوریتم یادگیری فراطیفی عمل می کنند. الگوریتم یادگیری ماشین آگاهانه مبتنی بر طیفی که توسط داده‌های فراطیفی نمونه‌برداری شده آموزش داده شده است، تصویر RGB را به مجموعه داده‌های تصویر فراطیفی (همچنین به عنوان ابر مکعب نیز شناخته می‌شود) تبدیل می‌کند، که می‌تواند بیشتر برای استخراج پارامترهای فیزیکی یا بیولوژیکی استفاده شود. اعتبار: PNAS Nexus (2023). DOI: 10.1093/pnasnexus/pgad111

می‌توانید قبلاً از تلفن هوشمند خود برای قرار ملاقات‌های پزشکی از راه دور استفاده کنید. چرا از برخی از حسگرهای داخلی برای جمع آوری داده های پزشکی استفاده نمی کنید؟ این ایده پشت فناوری مبتنی بر هوش مصنوعی است که در دانشگاه پردو توسعه یافته است که می‌تواند از دوربین گوشی هوشمند برای تشخیص و تشخیص بیماری‌هایی مانند کم خونی سریع‌تر و دقیق‌تر از تجهیزات پزشکی بسیار تخصصی که برای این کار ساخته شده است استفاده کند.

یانگ کیم، محقق ارشد، پروفسور و سرپرست تحقیقات Purdue’s Weldon گفت: “حداقل 15 سنسور مختلف در گوشی هوشمند شما وجود دارد و هدف ما استفاده از این حسگرها است تا مردم بتوانند به خدمات بهداشتی خارج از مطب پزشک دسترسی داشته باشند.” دانشکده مهندسی زیست پزشکی. تا جایی که می‌دانیم، ما معتقدیم که سریع‌ترین تصویربرداری همودینامیک موجود را با استفاده از یک تلفن هوشمند تجاری موجود نشان داده‌ایم.»

در حالی که دوربین گوشی هوشمند راحت است، تنها طول موج های قرمز، سبز و آبی را در هر پیکسل اندازه گیری می کند و کاربرد پزشکی آن را محدود می کند. تصویربرداری فراطیفی می تواند تمام طول موج های نور مرئی را در هر پیکسل ثبت کند و می تواند برای تشخیص انواع شرایط پوست و شبکیه و برخی سرطان ها استفاده شود.

محققان در حال بررسی برنامه‌های مراقبت بهداشتی تصویربرداری فراطیفی هستند، اما بیشتر کار با هدف بهبود تجهیزات تخصصی است که نسبتاً حجیم، کند و گران هستند. محققان پوردو با جفت کردن تکنیک های یادگیری عمیق و آماری با دانش خود در مورد تعاملات بافت نور، قادر به بازسازی طیف کامل نور مرئی در هر پیکسل از یک تصویر معمولی دوربین گوشی هوشمند هستند. رویکرد در انتظار ثبت اختراع، از یک آزمایشگاه با تخصص در سلامت تلفن همراه، می تواند دسترسی به مراقبت های بهداشتی را بهبود بخشد.

همانطور که در گزارش شده است PNAS Nexusاین تیم روش خود را با تجهیزات تصویربرداری فراطیفی تجاری موجود در هنگام جمع‌آوری اطلاعات در مورد حرکت اکسیژن خون در پلک‌های داوطلبان، در مدل‌هایی که برای تقلید از بافت انسان و در جنین جوجه طراحی شده بودند، آزمایش کردند.

نتایج نشان می‌دهد که دوربین گوشی‌های هوشمند اطلاعات فراطیفی را سریع‌تر، ارزان‌تر و به همان دقتی که با استفاده از تجهیزات تخصصی گرفته شده است تولید می‌کند. رویکرد گوشی‌های هوشمند می‌تواند تصاویری را در یک میلی‌ثانیه تولید کند که گرفتن تصویربرداری فراطیفی معمولی سه دقیقه طول می‌کشد.

کیم گفت که کار گزارش شده است PNAS Nexus تمرکز بر ساخت الگوریتم تصویربرداری فراطیفی گوشی های هوشمند به جای برنامه های خاص. اما در مطالعات دیگر، تیم از روش خود برای اندازه گیری هموگلوبین خون برای اکسیمتری بافت و التهاب استفاده کرده است. آزمایشگاه کیم از یک رویکرد محاسباتی استفاده کرد که محققان آن را “یادگیری فراطیفی” نامیده اند.

این فرآیند با یک دوربین گوشی هوشمند روی یک تنظیمات فوق آهسته شروع می شود که ویدئویی با سرعت حدود 1000 فریم در ثانیه تولید می کند. هر پیکسل در هر فریم حاوی اطلاعاتی برای شدت رنگ قرمز، سبز و آبی است. اطلاعات از طریق یک الگوریتم یادگیری ماشینی تغذیه می شود که اطلاعات طیف کامل را برای هر پیکسل استنباط می کند.

که برای اندازه گیری جریان خون، به ویژه میزان هموگلوبین اکسیژن دار و بدون اکسیژن در هر پیکسل استفاده می شود. از این پارامترهای همودینامیک نیز می توان برای تولید تصاویر و ویدئوهایی استفاده کرد که اشباع اکسیژن را در سوژه هایشان در طول زمان نشان می دهد.

همانند یادگیری ماشینی معمولی، این تیم الگوریتم‌های خود را بر روی یک مجموعه داده آموزش می‌دهد، تصاویر گوشی هوشمند و تصاویر فراطیفی مربوطه را به آن می‌دهد و الگوریتم را تا زمانی که بتواند رابطه صحیح بین دو مجموعه داده را پیش‌بینی کند، تنظیم می‌کند. اما با ساختن الگوریتم‌ها با معادلات به دست آمده از اپتیک بافت – رویکردی که گاهی اوقات “یادگیری آگاهانه” نامیده می‌شود – محققان به مجموعه داده‌های آموزشی بسیار کوچک‌تری نیاز دارند.

و در حالی که تجهیزات تصویربرداری فراطیفی مرسوم باید مقادیر انبوهی از داده را جمع‌آوری کند و وضوح طیفی یا وضوح زمانی را محدود کند، رویکرد تیم با فایل‌های ویدئویی شروع می‌شود که صدها برابر کوچک‌تر از فایل‌های تصویربرداری فراطیفی هستند و به آنها اجازه می‌دهد استانداردهای بالایی را در هر دو طرف حفظ کنند. .

یوهیون جی، نویسنده اول و دانشجوی فارغ التحصیل در آزمایشگاه کیم، گفت: “معمولاً برای جمع آوری این اطلاعات به شیوه ای کارآمد، معاوضه ای وجود دارد. اما با رویکرد ما، ما همزمان وضوح فضایی و طیفی بالایی داریم.” در حال حاضر روی استفاده از این روش برای سایر برنامه های کاربردی سلامت تلفن همراه، مانند کولپوسکوپی دهانه رحم و تصویربرداری فوندوس شبکیه کار می شود.

اطلاعات بیشتر:
یوهیون جی و همکاران، یادگیری فراطیفی mHealth برای تصویربرداری فضایی طیفی آنی همودینامیک، PNAS Nexus (2023). DOI: 10.1093/pnasnexus/pgad111

ارائه شده توسط دانشگاه پردو

نقل قول: الگوریتم سلامت موبایل مبتنی بر هوش مصنوعی از دوربین تلفن برای تشخیص سطح اکسیژن عروق خونی استفاده می کند (2023، 7 ژوئن) در 7 ژوئن 2023 از https://medicalxpress.com/news/2023-06-ai-driven-mobile-health-algorithm بازیابی شده است. -camera.html

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.



[ad_2]