ارائه کننده: امیرحسین نوده
استاد راهنما: دكتر محمدمهدي سپهري
استاد مشاور: دكتر عباس حبيب الهي
استاد داور داخلي: دكتر توكتم خطيبي
استاد داور خارج از دانشگاه: دكتر علي كمندي
نماينده تحصيلات تكميلي: دكتر توكتم خطيبي
تاریخ:  1403/06/18           
ساعت: 08:00
مكان: اتاق سايت دانشكده مهندسي صنايع و سيستم ها

 چکیده: 
رتینوپاتی نوزادان نارس (Retinopathy of Prematurity) یک اختلال در عروق خونی شبکیه نوزادان نارس است که به دلیل سرعت پیشروی بالایش، در صورت عدم رسیدگی بهنگام می­تواند به سرعت منجر به اختلالات بینایی و حتی نابینایی شود. این بیماری اصلی­ترین دلیل نابینایی در نوزادان است و برای تشخیص این بیماری از دسته­بندی­هایی از جمله مراحل پنج­گانه، نواحی سه­گانه و بیماری پیش­پلاس و بیماری پلاس استفاده می­شود.به دلیل سرعت بالای پیشروی رتینوپاتی نوزادان نارس که در برخی موارد کمتر از 48 ساعت برای اقدام درمانی فرصت وجود دارد، تشخیص بهنگام، نقش بسیار مهمی در درمان این نوزادان نارس دارد. تشخیص این بیماری عمدتاً از طریق تصاویر و توسط متخصصان انجام می­شود که به دلایلی از جمله کمبود منابع انسانی مجرّب به­ویژه در مناطق محروم و دور از شهرها، فرصت محدود متخصص برای تشخیص، تشخیص همراه با تأخیر زمانی، دقت محدود در تشخیص به دلایل متعددی مانند خستگی تصمیم‌گیری متخصصین، دشواری تشخیص این بیماری و کیفیت پایین و فقدان وضوح کافی تصاویر، دارای محدودیت­هایی هستند و این موارد موجب کاهش دقت و سرعت تشخیص این بیماری می‌گردند.استفاده از رویکردها و سیستم­های مبتنی بر فناوری­های هوش مصنوعی مانند یادگیری عمیق، همراه با دوراپزشکی می­تواند بسیاری از این محدودیت­ها را تا حد بسیار خوبی برطرف کند و در تشخیص بهنگام و با دقت بالای این بیماری بسیار کمک­کننده باشد. در این پژوهش از داده‌های تصاویر شبکیه چشم نوزادان بیمارستان تخصصی چشم‌پزشکی خاتم‌الانبیاء (ص) مشهد برای طراحی، آموزش و ارزیابی مدل‌های مبتنی بر یادگیری عمیق شامل شبکه‌های عصبی پیچشی (CNNs) از پایه و مدل‌های مبتنی بر یادگیری انتقالی برای تشخیص رتینوپاتی نوزادان نارس در چشم راست و چشم چپ استفاده شد. مدل شبکه عصبی پیچشی برای چشم راست با دقت 90 درصد، مدل شبکه عصبی پیچشی برای چشم چپ با دقت 91 درصد، مدل مبتنی بر یادگیری انتقالی با استفاده از مدل از پیش آموزش دیده MobileNetV2 برای چشم راست با دقت 89 درصد و مدل مبتنی بر یادگیری انتقالی با استفاده از مدل از پیش آموزش دیده MobileNetV2 برای چشم چپ با دقت 89 درصد، به عنوان مدل‌های منتخب برای تشخیص رتینوپاتی نوزادان نارس معرفی گردیدند و نتایج ارزیابی عملکرد آن‌ها گزارش شد. همچنین در این پژوهش به منظور دسترسی بهتر و سریع‌تر به دسته‌بندی‌ها و انواع مختلف بیماری، برای اوّلین بار، نمودار جامعی تحت عنوان نمودار مردمکی دسته‌بندی جامع رتینوپاتی نوزادان نارس، شامل تمامی دسته‌بندی‌های گوناگون و متعدد این بیماری که تاکنون به صورت پراکنده ارائه شده بودند، ارائه گردید. امید است نتایج و دستاوردهای این پژوهش بتواند در تشخیص بهنگام رتینوپاتی نوزادان نارس و کاهش اختلالات بینایی و نابینایی حاصل از این بیماری مؤثر و مفید واقع شود.