دانشگاه رازی

کلسیفیکاسیون دیسک بین‌مهره‌ای (IVDD) یکی از شایع‌ترین اختلالات ستون مهره‌ها درسگ‌هاست که در صورت عدم تشخیص به‌موقع، می‌تواند منجر به دردهای مزمن ستون فقرات یا نقص‌های حرکتی و فلج دائمی گردد. علی‌رغم جایگاه کلیدی رادیوگرافی ساده در ارزیابی‌های اولیه بالینی، هم‌پوشانی ساختارهای آناتومیک و خطای تفسیر چشمی، به‌ویژه در ضایعات تحت‌حاد یا مراحل اولیه رسوب، چالش بالینی عمده‌ای محسوب می‌شود. این پژوهش با هدف توسعه و ارزیابی یک سیستم کمک‌تشخیصی هوشمند مبتنی بر یادگیری عمیق جهت غربالگری خودکار کلسیفیکاسیون در تصاویر رادیوگرافی جانبی سگ‌ها انجام شد. در این مطالعه، مجموعه داده‌ای شامل ??? نمای رادیوگرافی (??? تصویر حاوی ضایعه کلسیفیه و ?? تصویر نرمال فاقد ضایعه) گردآوری و پس از بازبینی تخصصی معیارسنجی شد. به‌منظور بهبود کیفیت بصری و ارتقای کنتراست محلی در نواحی متراکم استخوانی و فضای دیسک، الگوریتم پیش‌پردازش تطبیقی کنتراست محلی   اعمال گردید. استخراج ویژگی‌های سلسله‌مراتبی و طبقه‌بندی تصاویر با بهره‌گیری از معماری کانولوشنی عمیق ResNet-50 در قالب یادگیری انتقالی با وزن‌های از پیش آموزش‌دیده ImageNet صورت پذیرفت. جهت حذف احتمال بیش‌بردازش ، پیشگیری از نشت داده و تضمین تعمیم‌پذیری بالینی، ارزیابی عملکرد بر پایه اعتبارسنجی متقاطع پنج‌لایه طبقه‌بندی‌شده   اجرا و شاخص‌ها بر اساس داده‌های تجمیعی برون‌نمونه‌ای استخراج گردید. یافته‌های حاصل از ارزیابی نهایی حاکی از عملکرد پایدار مدل با دستیابی به دقت ??.??، حساسیت ??.??، امتیاز F1 ??.?? و سطح زیر منحنی مشخصه عملکرد سیستم (AUC) ?.??? است. بررسی بردارهای ویژگی در لایه‌های عمیق مدل نشان‌دهنده توانمندی بالا در تفکیک الگوهای اپک و متمایزسازی تراکم‌های پاتولوژیک دیسک از اوستئوفیت‌ها و سایه‌های استخوانی مجاور است. این نتایج نشان می‌دهد که مدل توسعه‌یافته می‌تواند از پتانسیل بالایی برای استقرار به عنوان یک ابزار تصمیم‌یار بالینی در مراکز تشخیصی دامپزشکی برخوردار بوده و می‌تواند نقشی موثر در کاهش خطای تفسیری و تسریع در مدیریت درمانی بیماران ایفا نماید..