به‌کارگیری یادگیری منیفلد برای تحلیل تصاویر اکوکاردیوگرافی

روش‌های کاهش بُعد غیرخطی، در دهه اخیر بار دیگر مورد توجه محافل علمی قرار گرفته‌اند. با تمرکز محققان علم کامپیوتر بر این مسیله، در چند سال اخیر مجموعه‌ای از ابزارها به‌وجود آمده‌اند که کاربردهای آنها در داده کاوی، پردازش تصویر، طبقه‌بندی، تحلیل و نمایاندن دادگان رو به افزایش است. در این میان یادگیری منیفلد ابزاری قدرتمند برای کاهش بعد غیرخطی دادگان است. پارامترهای ذاتی سیستم که عامل اصلی تمایز دادگان از یکدیگرند با استفاده از این ابزار شناسایی شده و کل مجموعه بر روی منیفلدی که بیان‌کننده ارتباط واقعی پارامترهاست، قرار می‌گیرد. بدین ترتیب ارتباط بین دادگان در فضایی با بعد کمتر بیان می‌شود. یکی از کاربردهای موفق این روش‌ها در تحلیل تصاویر است. با این دیدگاه فرض می‌شود هر تصویر داده‌ای در بعد بالا بوده که هر پیکسل یک بعد از فضا را اشغال می‌کند. درصورتی‌که این مجموعه تصاویر از شییی خاص اخذ شده باشند که براساس پارامترهای کمّی با یکدیگر تفاوت دارند؛ می‌توان با استفاده از ابزارهای مناسب یادگیری منیفلد، این مجموعه تصاویر را در فضایی با بعد کمتر به گونه‌ای نگاشت کرد که ارتباط ذاتی پارامترها حفظ شود. در این تحقیق چگونگی به‌کارگیری این ابزار برای تحلیل مجموعه تصاویر اکوکاردیوگرافی مورد بررسی قرار می‌گیرد. از آنجا که تصاویر اکوکاردیوگرافی اخذ شده از یک بیمار براساس پارامترهای کمّی از جمله حرکت تناوبی قلب و نویز متفاوت هستند، با استفاده از الگوریتم مناسب یادگیری منیفلد، مجموعه تصاویر در فضای دوبعدی فرونشانده می‌شوند و ارتباط بین فریم‌های متوالی در فضای جدید تعیین می‌شود. در این تحقیق با استفاده از دو الگوریتم lle و isomap، پس از نگاشت چند دوره تناوب تصاویر در فضای دوبعدی، تصاویر مشابه در کنار یکدیگر قرار گرفته و رابطه بین تصاویر بر اساس خاصیت تناوبی ضربان قلب نمایان می‌شود. نتایج حاکی از ضعف الگوریتم isomap و قدرت الگوریتم lle در حفظ ارتباط واقعی تصاویر اکوکاردیوگرافی در فضای دوبعدی است. در نهایت، کاهش نویز تصاویر به صورت میانگین‌گیری تصاویر مشابه بر روی منیفلد حاصل از الگوریتم lle به عنوان یک کاربرد مفید معرفی می‌شود.