کنفرانس بین المللی فناوری اطلاعات و دانش

صفحه اصلی / شانزدهمین کنفرانس بین المللی فناوری اطلاعات و دانش

تشخیص زودهنگام سندروم داون از روی تصاویر سونوگرافی جنین با استفاده از مدل‌های عمیق پیش‌آموزش دیده

نویسندگان :

فائزه سادات حسینی نیا¹ محرم منصوری زاده² حسن ختنلو³

1- دانشگاه بوعلی سیناهمدان 2- دانشگاه بوعلی سیناهمدان 3- دانشگاه بوعلی سیناهمدان

کلمات کلیدی :

سندرو داون،شبکه عصبی پیچشی،شبکه های عصبی از پیش آموزش دیده،شبکه عصبی،یادگیری عمیق،سندروم داون

چکیده :

تشخیص زودهنگام سندرم داون از تصاویر سونوگرافی، به‌دلیل نویز بالا، ناهمگنی داده‌ها و وابستگی زیاد به مهارت اپراتور، همواره چالشی اساسی در غربالگری پیش ازتولد بوده است. در این پژوهش، روشی خودکار مبتنی بر یادگیری عمیق برای تحلیل تصاویر سونوگرافی جنین در سه‌ماهه نخست بارداری ارائه شده است. ابتدا با استفاده از معماری U-Net، ناحیه جنین از پس‌زمینه جدا و ماسک‌سازی دقیق انجام می‌شود تا تمرکز مدل بر شاخص‌های آناتومیکی کلیدی مانند ضخامت فضای شفاف پشت گردن (NT) و طول استخوان بینی (NBL) افزایش یابد. سپس با بهره‌گیری از دو معماری پیش‌آموزش‌دیده EfficientNetV2 و ConvNeXtV2، ویژگی‌های سراسری و محلی تصویر استخراج و با ترکیب آن‌ها طبقه‌بندی نهایی انجام می‌شود. برای کاهش اثر کمبود و نامتوازن بودن داده‌ها، راهبردهای افزایش داده هدفمند به‌کار گرفته شده‌اند. نتایج حاصل بر روی مجموعه‌داده Mendeley Fetal Ultrasound نشان می‌دهد مدل ConvNeXtV2 به دقت ۸۶٪ و مساحت زیر منحنی ROC برابر ۰.۹۳ دست یافته است که نسبت به روش‌های کلاسیک عملکرد برتری دارد. این یافته‌ها بیانگر توانمندی مدل‌های عمیق مدرن در تحلیل تصاویر سونوگرافی و امکان توسعه سامانه‌های کمک‌تشخیص غیرتهاجمی برای غربالگری زودهنگام سندرم داون است.