طبقه‌بندی خودکار تصاویر میکروسکوپی نمونه‌های مدفوع بر پایه‌ی تکنیک‌های یادگیری ماشین به منظور تشخیص موارد مبتلا به انگل ژیاردیا

Abstract

ژیاردیازیس یکی از شایع¬ترین عوامل اسهال خصوصاً در کودکان زیر پنج، در مناطق با سطح بهداشت پایین می‌باشد. علائم ژیاردیازیس می تواند شامل اسهال، درد ناحیه شکم، تهوع و خشکی دهان باشد. تشخیص این انگل به واسطه میکروسکوپ‌های نوری و تهیه مستقیم لام از نمونه مدفوع و بررسی توسط کارشناسان علوم آزمایشگاهی انجام می¬شود. با توجه به اهمیت زمان بررسی نمونه¬ها در جامعه آماری وسیع¬تر، به کارگیری یک طبقه‌بندی کننده خودکار با دقت بالا جهت بررسی نمونه¬های مشکوک به عفونت ژیاردیازیس و طبقه بندی در سه کلاس کیست، تروفوزوئایت و نرمال، بسیار کارآمد خواهد بود. هدف از این پژوهش، معرفی یک مدل بهینه جهت طبقه بندی سه کلاسه به منظور تشخیص موارد مبتلا به ژیاردیازیس است. تعداد کل تصاویر قبل از افزایش داده شامل 1934 تصویر گرفته شده از 48 اسلاید می¬باشد. از این تعداد، 40 اسلاید شامل 1610 تصویر منحصربفرد جهت آموزش و ارزیابی شبکه به نسبت 80/20 و 8 اسلاید شامل 324 تصویر منحصربفرد از سه کلاس مختلف، جهت آزمودن شبکه را تشکیل می¬دهند. تعداد نمونه¬های منحصر به فرد جهت آموزش و ارزیابی شبکه به تفکیک هر کلاس، شامل 570 نمونه نرمال، 410 نمونه کیست و 630 نمونه تروفوزوئیت و مجموعه داده آزمون نیز به تفکیک کلاس شامل 92 داده کیست، 113 داده نرمال و 119 داده تروفوزوئایت می¬باشند. پیش پردازش داده ها با هدف بهبود کنتراست تصاویر و بالا بردن دقت و صحت مدل طبقه بندی کننده انجام شده است. داده‌ها در طول روند آموزش به صورت تصادفی و در تعدادی نامشخص افزایش داده شدند تا شبکه یادگیری را بر روی تعداد بیشتری داده انجام دهد و با دقت بالاتری موارد جدید را طبقه بندی کند. در این مطالعه 4 شبکه عصبی کانولوشنی از پیش آموزش دیده VGG16، ResNet50، Xception و EfficientNet-B0 برای طبقه بندی تصاویر مورد استفاده قرار گرفت که در نهایت شبکه EfficientNet-B0 توانست با کمترین نرخ اتلاف در یادگیری، بیشترین صحت در دوره آخر یادگیری و بیشترین دقت در طبقه بندی داده های آزمون عملکرد بهتری از خود نشان دهد و به عنوان شبکه بهینه انتخاب شود. به منظور کاهش تعداد پارامترهای استفاده شده در یادگیری شبکه، افزایش سرعت پردازش و بالا بردن دقت طبقه¬بندی نمونه‌های جدید توسط شبکه، از یادگیری انتقالی استفاده شده است. این مطالعه با هدف بهبود عملکرد کارشناسان علوم آزمایشگاهی در امر تشخیص بیماری ژیاردیازیس و به کارگیری مدل‌های طبقه بندی کننده خودکار، به عنوان دستیاری کارآمد انجام شده است. در آینده با افزایش تعداد کلاس‌ها، می¬توان بیماری‌های متعددی که تشخیص آن‌ها به واسطه میکروسکوپ‌های نوری صورت می‌پذیرد را به صورت خودکار طبقه بندی نمود و مدل را به لحاظ جامعیت ارتقا بخشید.