به کارگیری یادگیری منیفلد برای تحلیل تصاویر اکوکاردیوگرافی

روش های کاهش بُعد غیرخطی، در دهها خیر بار دیگر مورد توجه محافل علمی قرار گرفته اند.با تمرکز محققان علم کامپیوتر بر این مسئله، در چند سال اخیر مجموعه ای از ابزارها به وجود آمده اند که کاربردهای آنها در داده کاوی، پردازش تصویر، طبقه بندی، تحلیل ونمایاندن 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 بیان کننده ارتباط واقعی پارامترهاست، قرار می گیرد. بدین ترتیب ارتباط بین دادگان در فضایی با بعد کمتر بیان می شود. یکی از کاربردهای موفق این روش ها در تحلیل تصاویر است. با این دیدگاه فرض می شود هر تصویر داده ای در بعد بالا بوده که هر پیکسل یک بعد از فضا را اشغال می کند. درصورتی که این مجموعه تصاویر از شیئی خاص اخذ شده باشند که براساس پارامترهای کمّی با یکدیگر تفاوت دارند؛ می توان با استفاده از ابزارهای مناسب یادگیری منیفلد، این مجموعه تصاویر را در فضایی با بعد کمتر به گونه ای نگاشت کرد که ارتباط ذاتی پارامترها حفظ شود.در این تحقیق چگونگی به کارگیری این ابزار برای تحلیل مجموعه تصاویر اکوکاردیوگرافی مورد بررسی قرار می گیرد. 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 می شوند و ارتباط بین فریم های متوالی در فضای جدید تعیین می شود. در این تحقیق با استفاده از دو الگوریتم lleو 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 می شود. نتایج حاکی از ضعف الگوریتم isomapو قدرت الگوریتم lleدر حفظ ارتباط واقعی تصاویر اکوکاردیوگرافی در فضای دوبعدی است. در نهایت، کاهش نویز تصاویر به صورت میانگین گیری تصاویر مشابه بر روی منیفلد حاصل از الگوریتم lleبه عنوان یک کاربرد مفید معرفی می شود.