به گزارش پایگاه اینترنتی «زد دی نت»، پژوهشگران دانشگاه فناوری کوئینزلند (QUT) در جریان این تحقیق طیفی از روش‌های یادگیری عمیق را برای تجزیه و تحلیل عکس‌هایی که مقطع‌نگار همدوسی اپتیکی (OCT) می‌گیرد، مورد کاوش قرار دادند.
مقطع‌نگار همدوسی اپتیکی که برای نشان دادن لایه بافت‌های مختلف عکس‌های مقطعی از چشم می‌گیرد، از ابزارهای مشترک مورداستفاده عینک‌سازان و چشم پزشکان است. تصاویر گرفته شده با این روش به پزشکان در تشخیص بیماری‌های چشمی چون گلوکوم یا آب سیاه و دژنراسیون ماکولا کمک می‌کند. دژنراسیون ماکولا که به عنوان دجنراسیون وابسته به سن ماکولا (AMD or ARMD) شناخته می‌شود یک وضعیت پزشکی است که ممکن است نتیجه آن تاری یا از دست دادن بینایی در مرکز دید باشد.
این تیم تحقیقاتی اسکن‌های OCT شبکیه را از مطالعه‌ای ۱۸ ماهه بر روی ۱۰۱ کودک که از بینایی خوب و چشمانی سالم برخوردار بودند، جمع‌آوری کرده و با استفاده از این عکس‌ها یک برنامه مبتنی بر هوش مصنوعی را برای تشخیص الگوها و تعیین مرزهای کورویید (Choroid) تربیت کردند.
دیوید آلونسو کانیرو از پژوهشگران دانشگاه کوئینزلند و مولف ارشد این پژوهش، می‌گوید: «ما در پژوهش خود به دنبال روشی جدید برای تجزیه و تحلیل عکس‌ها و استخراج دو لایه بافتی اصلی در پشت چشم یعنی قرنیه و کرویید می‌گشتیم. توجه ویژه ما بر کرویید معطوف بود که بین اسکلرا (صلبیه) و شبکیه قرار دارد و حاوی رگ‌های خونی اصلی است که مواد مغذی و اکسیژن را به چشم می‌رسانند.»
«روش‌های استانداد پردازش تصویر که با OCT مورد استفاده قرار می‌گیرند لایه‌های بافت قرنیه را به خوبی تعریف و آنالیز می‌کنند اما تعداد کمی از ابزارهای بالینی OCT از نرم‌افزار تجزیه و تحلیل بافت کروییدی برخوردارند.»
«بنابراین یک شبکه یادگیری عمیق را تربیت کردیم تا ویژگی‌های کلیدی عکس‌ها را فراگرفته و مرزهای کرویید و قرنیه را با دقت و به طور خودکار تعیین کند.»
محققان کویینزلند تجزیه و تحلیل‌های انجام شده توسط هوش مصنوعی را با روش‌های آنالیز استاندارد عکس مقایسه کردند و به این نتیجه دست یافتند که برنامه مبتنی بر هوش مصنوعی، در تحلیل داده‌های OCT دقیق‌تر و قابل اعتمادتر است.