یک شبکه حافظه طولانی کوتاه مدت مبتنی بر عروق شبکیه برای تشخیص بیماری ام اس

یعقوبی, ندا; معصومی, حسن; فاتحی, محمد حسین; اشتری, فرشته; کافیه, راحله

یک شبکه حافظه طولانی کوتاه مدت مبتنی بر عروق شبکیه برای تشخیص بیماری ام اس

نوع مقاله : مقاله پژوهشی

نویسندگان

ندا یعقوبی ¹

حسن معصومی ²

محمد حسین فاتحی ²

فرشته اشتری ³

راحله کافیه ³

¹ دانشجوی دکتری دانشگاه آزاد اسلامی واحد کازرون

² دانشگاه آزاد اسلامی واحد کازرون

³ دانشگاه علوم پزشکی واحد اصفهان

چکیده

مولتیپل اسکلروزیس یا ام اس (MS) بیماری مزمن ناشی از سیستم ایمنی است که بر سیستم عصبی مرکزی تأثیر می گذارد و منجر به اختلالات مختلف از جمله اختلالات بینایی می شود. تشخیص زودهنگام ام اس برای درمان ، حیاتی است. اسکن لیزری افتالموسکوپی (SLO) یک تکنیک غیرتهاجمی است که تصاویر شبکیه با کیفیت بالا را ارائه می دهد و نویدبخش تشخیص زودهنگام ام اس است. این مطالعه یک رویکرد مبتنی بر رگ را با استفاده از شبکه‌ ی (LSTM) برای تشخیص MS در تصاویر SLO مورد بررسی قرار می‌دهد. این مطالعه 106 فرد سالم (HCs) و 39 بیمار ام اس (78 چشم) را پس از اجرای اقدامات کنترل کیفیت و حذف تصاویر بی کیفیت یا آسیب دیده، که در مجموع 265 تصویر (73 MS و 192 HC) به دست آمد. رویکرد ما برای تشخیص زودهنگام ام اس در تصاویر SLO با استفاده از شبکه‌ی LSTM می باشد. این رویکرد شامل دو مرحله کلیدی است: 1) پیش آموزش یک شبکه عصبی عمیق بر روی یک مجموعه داده منبع و 2) تنظیم دقیق شبکه بر روی مجموعه داده هدف متشکل از تصاویر SLO. ما بخش ‌بندی عروق را در تشخیص ام اس و اثربخشی روش پیشنهادی خود را در بهبود مدل‌های تشخیصی بررسی می‌کنیم. مطالعه حاضر هنگامی که بر روی مجموعه داده آزمایشی شامل تصاویر SLO ارزیابی می‌شود، به نرخ دقت چشمگیر 97.44% دست می‌یابد. با انجام آزمایش‌هایی بر روی مجموعه داده‌های SLO و استفاده از رویکرد مبتنی بر رگ با LSTM، یافته‌های تجربی ما نشان از دقت مناسب مدل پیشنهادی دارد.

کلیدواژه‌ها

مولتیپل اسکلروزیس

اسکن لیزری افتالموسکوپی

آنالیز عروق

تقسیم بندی تصویر

یادگیری ماشینی

LSTM

عنوان مقاله English

A Vessel-Based Long Short-Term Memory (LSTM) Approach for Detecting Multiple Sclerosis

نویسندگان English

neda yaghoubi ¹

hassan masumi ²

Mohammad Hossein Fatehi ²

fereshteh ashtari ³

rahele kafieh ³

¹ PhD. Student of Biomedical Engineering, Kazerun Branch, Islamic Azad University, Kazerun, Iran

² Department of Biomedical Engineering, Kazerun Branch, Islamic Azad University, Kazerun, Iran

³ Isfahan Neurosciences Research Center, Isfahan University of Medical Sciences, Isfahan, Iran

چکیده English

Multiple Sclerosis (MS) is a chronic immune-mediated condition affecting the central nervous system, often resulting in various disturbances, including visual impairments. The early and accurate diagnosis of MS is critical for effective treatment and management. Scanning Laser Ophthalmoscopy (SLO) is a non-invasive technique that offers high-quality retinal images and holds promise for early MS detection. This study explores a vessel-based approach using Long Short-Term Memory (LSTM) networks to detect MS in SLO images. The study enrolled 106 Healthy Controls (HCs) and 39 MS patients (78 eyes), after implementing quality control measures and excluding poor-quality or damaged images, resulting in a total of 265 images (73 MS and 192 HC). We present a novel approach for the early detection of MS in SLO images using LSTM networks. This approach involves two key steps: 1) Pre-training a deep neural network on a source dataset and 2) Fine-tuning the network on the target dataset consisting of SLO images. We examine the significance of vessel segmentation in MS detection and investigate the effectiveness of our proposed method in enhancing diagnostic models. Our approach achieves an impressive accuracy rate of 97.44% when evaluated on a test dataset comprising SLO images. By conducting experiments on SLO datasets and employing the vessel-based approach with LSTM, our empirical findings confirm that this method facilitates early MS detection with exceptional accuracy. These models demonstrate the capability to accurately identify the disease with high precision and appropriate sensitivity.

کلیدواژه‌ها English

Multiple Sclerosis

Scanning Laser Ophthalmoscopy

Vessel Analysis

Image Segmentation

Machine Learning

Long Short-Term Memory (LSTM)

1. Young, N., et al., Retinal Blood Vessel Analysis Using Optical Coherence Tomography (OCT) in Multiple Sclerosis. Diagnostics, 2023. 13(4): p. 596.

3. Chua, J., et al., A multi-regression approach to improve optical coherence tomography diagnostic accuracy in multiple sclerosis patients without previous optic neuritis. NeuroImage: Clinical, 2022. 34: p. 103010.

4. Mihaylova, B. and S. Cherninkova, Optical Coherence Tomography (OCT) and Angio-OCT Imaging Techniques in Multiple Sclerosis Patients with or without Optic Neuritis, in Multiple Sclerosis-Genetics, Disease Mechanisms and Clinical Developments. 2022, IntechOpen.

5. Khodabandeh, Z., et al., Interpretable classification using occlusion sensitivity on multilayer segmented OCT from patients with Multiple Sclerosis and healthy controls. 2022.

6. Eslami, M., et al., Optical Coherence Tomography in Chronic Relapsing Inflammatory Optic Neuropathy, Neuromyelitis Optica and Multiple Sclerosis: A Comparative Study. Brain Sciences, 2022. 12(9): p. 1140.

7. Pearson, T., et al., Multi-modal retinal scanning to measure retinal thickness and peripheral blood vessels in multiple sclerosis. Scientific Reports, 2022. 12(1): p. 20472.

8. El-Mayah, E., et al., Correlation between retinal and optic nerve microvasculature and sensitivity in patients with multiple sclerosis with and without optic neuritis. Journal of the Egyptian Ophthalmological Society, 2022. 115(4): p. 222.

9. Jiang, H., et al., Visual function and disability are associated with increased retinal volumetric vessel density in patients with multiple sclerosis. American journal of ophthalmology, 2020. 213: p. 34-45.

10. Fischer, J., et al., Scanning laser ophthalmoscopy (SLO). High resolution imaging in microscopy and ophthalmology: new frontiers in biomedical optics, 2019: p. 35-57.

11. Palochak, C.M.A., et al., Retinal blood velocity and flow in early diabetes and diabetic retinopathy using adaptive optics scanning laser ophthalmoscopy. Journal of clinical medicine, 2019. 8(8): p. 1165.

12. Xie, H., et al., AMD-GAN: attention encoder and multi-branch structure based generative adversarial networks for fundus disease detection from scanning laser ophthalmoscopy images. Neural Networks, 2020. 132: p. 477-490.

13. Mainster, M.A., et al., Scanning laser ophthalmoscopy retroillumination: applications and illusions. International Journal of Retina and Vitreous, 2022. 8(1): p. 1-9.

14. Fraz, M.M., et al., Blood vessel segmentation methodologies in retinal images–a survey. Computer methods and programs in biomedicine, 2012. 108(1): p. 407-433.

15. Coye, T., A novel retinal blood vessel segmentation algorithm for fundus images. MATLAB Central File Exchange, 2015.

16. Desiani, A., et al., VG-DropDNet a robust architecture for blood vessels segmentation on retinal image. IEEE Access, 2022. 10: p. 92067-92083.

17. Wilhelm, H. and M. Schabet, The diagnosis and treatment of optic neuritis. Deutsches Ärzteblatt International, 2015. 112(37): p. 616.

18. Bhaduri, B., et al., Detection of retinal blood vessel changes in multiple sclerosis with optical coherence tomography. Biomedical Optics Express, 2016. 7(6): p. 2321-2330.

19. Spain, R.I., et al., Optical coherence tomography angiography enhances the detection of optic nerve damage in multiple sclerosis. British Journal of Ophthalmology, 2018. 102(4): p. 520-524.

20. Cavaliere, C., et al., Computer-aided diagnosis of multiple sclerosis using a support vector machine and optical coherence tomography features. Sensors, 2019. 19(23): p. 5323.

21. Montolío, A., CEGONino, J. O. S. E., Garcia-Martin, E., & Pérez del Palomar, A. (2022). Comparison of machine learning methods using spectralis OCT for diagnosis and disability progression prognosis in multiple sclerosis. Annals of Biomedical Engineering, 50(5), 507-528.

22. Kenney, R. C., Liu, M., Hasanaj, L., Joseph, B., Al-Hassan, A. A., Balk, L. J., ... & Balcer, L. J. (2022). The role of optical coherence tomography criteria and machine learning in multiple sclerosis and optic neuritis diagnosis. Neurology, 99(11), e1100-e1112.

23. López-Dorado, A., Pérez, J., Rodrigo, M. J., Miguel-Jiménez, J. M., Ortiz, M., de Santiago, L., ... & Garcia-Martin, E. (2021). Diagnosis of multiple sclerosis using multifocal ERG data feature fusion. Information Fusion, 76, 157-167.

24. Mohseni, E., & Moghaddasi, S. M. (2022). A Hybrid Approach for MS Diagnosis Through Nonlinear EEG Descriptors and Metaheuristic Optimized Classification Learning. Computational Intelligence and Neuroscience, 2022.

25.Yaghoubi, N., Masumi, H., Fatehi, M. H., Ashtari, F., & Kafieh, R. (2023). Deep learning and classic machine learning models in the automatic diagnosis of multiple sclerosis using retinal vessels. Multimedia Tools and Applications. Advance online publication. https://doi.org/10.1007/s11042-023-16812-w

26. Aslam, Nida, et al. "Multiple sclerosis diagnosis using machine learning and deep learning: Challenges and opportunities." Sensors 22.20 (2022): 7856.