چالش ویزیت فیزیکی بیماران

رفتن به مطب پزشک می‌تواند دردسرساز باشد. این کار به‌ویژه برای والدین بچه‌هایی که اختلالات حرکتی مثل فلج مغزی دارند، می‌تواند چالش‌برانگیزتر باشد، چون یک پزشک باید به‌طور منظم اغلب یک ساعت در هر بارکودک را به‌صورت حضوری ارزیابی کند. رسیدن به این ارزیابی‌های مکرر می‌تواند هزینه‌بر، زمان‌بر و از نظر روحی خسته‌کننده باشد.

مهندسان MIT امیدوارند با یک روش جدید که به‌طور از راه دور عملکرد حرکتی بیماران را ارزیابی می‌کند، بخشی از این فشار را کاهش دهند. با ترکیب تکنیک‌های بینایی کامپیوتری و یادگیری ماشین، این روش ویدیوهای بیماران را به‌صورت زنده تحلیل می‌کند و یک نمره بالینی از عملکرد حرکتی بر اساس الگوهای خاصی از حالت‌هایی که در فریم‌های ویدیو شناسایی می‌کند، محاسبه می‌کند.

محققان این روش را بر روی ویدیوهای بیش از ۱۰۰۰ کودک مبتلا به فلج مغزی آزمایش کردند. آن‌ها دریافتند که این روش می‌تواند هر ویدیو را پردازش کند و یک امتیاز بالینی تعیین کند که با دقت بیش از ۷۰ درصد با آنچه پزشک قبلاً در بازدید حضوری مشخص کرده، مطابقت دارد.

تحلیل ویدیو می‌تواند بر روی انواع دستگاه‌های موبایل انجام شود. تیم فرض می‌کند که بیماران می‌توانند با تنظیم تلفن یا تبلت خود برای فیلم‌برداری در حال حرکت در منزل خود، پیشرفت خود را ارزیابی کنند. سپس آن‌ها می‌توانند ویدیو را در برنامه‌ای بارگذاری کنند که به سرعت فریم‌های ویدیو را تحلیل کرده و یک امتیاز بالینی یا سطح پیشرفت تعیین کند. ویدیو و امتیاز سپس می‌تواند به یک پزشک برای بررسی ارسال شود.

اکنون تیم در حال مناسب سازی این روش برای ارزیابی کودکان مبتلا به لوکودستروفی متاكروماتیک است — یک اختلال ژنتیکی نادر که بر سیستم عصبی مرکزی و محیطی اثر می‌گذارد. آن‌ها همچنین امیدوارند این روش را برای ارزیابی بیمارانی که دچار سکته مغزی شده‌اند، تطبیق دهند.

هرمانو کربس، پژوهشگر اصلی در دپارتمان مهندسی مکانیک MIT می‌گوید: “ما می‌خواهیم کمی از استرس بیماران را کاهش دهیم تا مجبور نباشند برای هر ارزیابی به بیمارستان بروند. ما فکر می‌کنیم این فناوری می‌تواند به صورت موثر برای ارزیابی از راه دور هر شرایطی که بر رفتار حرکتی تأثیر می‌گذارد، استفاده شود.”

آموزش شبکه

در MIT، کربس سیستم‌های رباتیکی توسعه می‌دهد که به‌طور فیزیکی با بیماران کار می‌کنند تا به آن‌ها کمک کنند تا عملکرد حرکتی خود را به دست آورند یا تقویت کنند. او همچنین این سیستم‌ها را طوری تنظیم کرده است که پیشرفت بیماران را ارزیابی کرده و پیش‌بینی کند کدام درمان‌ها می‌توانند برای آن‌ها بهترین باشند. در حالی که این فناوری‌ها به خوبی کار کرده‌اند، اما به‌طور قابل توجهی در دسترسی محدود هستند: بیماران باید به بیمارستان یا مرکزی بروند که ربات‌ها در آنجا قرار دارند.

کربس به یاد می‌آورد: “ما از خودمان پرسیدیم، چگونه می‌توانیم نتایج خوبی که با ربات‌های توانبخشی به دست آوردیم را به یک دستگاهی که در همه جا در دسترس است، گسترش دهیم؟” او ادامه می‌دهد: “از آنجایی که گوشی‌های هوشمند در همه‌جا هستند، هدف ما این بود که از قابلیت‌های آن‌ها برای ارزیابی از راه دور افراد با ناتوانی‌های حرکتی استفاده کنیم، به‌طوری‌که بتوانند در هر جا ارزیابی شوند.”

محققان ابتدا به بینایی کامپیوتر و الگوریتم‌هایی که حرکات انسانی را تخمین می‌زنند، نگاه کردند. در سال‌های اخیر، دانشمندان الگوریتم‌های تخمین وضعیت را توسعه داده‌اند که طراحی شده‌اند تا یک ویدیو – به عنوان مثال، از دختری که یک توپ فوتبال را شوت می‌کند – را گرفته و حرکات او را به یک سری وضعیت‌های اسکلت معادل، به‌صورت زنده تبدیل کنند. دنباله خطوط و نقاط به دست آمده را می توان به مختصاتی ترسیم کرد که دانشمندان می توانند بیشتر تحلیل کنند.

کربس و همکارانش هدفشان توسعه یک روش برای تحلیل داده‌های وضعیت اسکلت بیماران مبتلا به فلج مغزی بود – اختلالی که به‌طور سنتی بر اساس سیستم طبقه‌بندی عملکرد حرکتی کلی (GMFCS) ارزیابی شده است، که یک مقیاس پنج‌سطحی است و عملکرد عمومی حرکتی یک کودک را نشان می‌دهد. (هرچه عدد کمتر باشد، تحرک کودک بیشتر است.)

تیم با یک مجموعه داده‌های عمومی از حرکات اسکلت که توسط آزمایشگاه بیومکانیک عصبی دانشگاه استنفورد تولید شده بود، کار کرده است. این مجموعه شامل ویدیوهایی از بیش از ۱۰۰۰ کودک مبتلا به فلج مغزی بود. هر ویدیو نشان‌دهنده یک کودک بود که در یک محیط بالینی، مجموعه‌ای از تمرینات را انجام می‌داد و هر ویدیو با نمره GMFCS که یک پزشک پس از ارزیابی حضوری به کودک اختصاص داده بود، برچسب‌گذاری شده است. گروه استنفورد ویدیوها را از طریق یک الگوریتم تخمین حرکات عبور دادند تا داده‌های حرکتی اسکلت را تولید کنند که گروه MIT سپس از آن به عنوان نقطه شروع برای مطالعه خود استفاده کرده است.

محققان سپس به دنبال راه‌هایی بودند تا به طور خودکار الگوهای موجود در داده‌های فلج مغزی را که مختص هر سطح عملکرد حرکتی بالینی است، رمزگشایی کنند. آن‌ها با یک شبکه عصبی کانولوشنی گراف فضایی-زمانی(Spatial-Temporal Graph Convolutional Neural Network) شروع کردند — یک فرآیند یادگیری ماشین که به کامپیوتر آموزش می‌دهد تا داده‌های فضایی که در طول زمان تغییر می‌کنند، مانند یک توالی از حرکات اسکلت، را پردازش کرده و یک طبقه‌بندی اختصاص دهد.

قبل از اینکه تیم شبکه عصبی را بر روی فلج مغزی اعمال کند، از مدلی که بر روی یک مجموعه داده عمومی‌تر پیش‌آموزش داده شده بود، استفاده کرده است. ورودی این مدل شامل ویدیوهایی از بزرگسالان سالم بود که فعالیت‌های روزمره مختلفی مانند راه رفتن، دویدن، نشستن و دست دادن را انجام می‌دادند. آن‌ها هسته این مدل پیش‌آموزش داده شده را برداشتند و یک لایه طبقه‌بندی جدید به آن اضافه کردند که مختص نمرات بالینی مربوط به فلج مغزی بود. آن‌ها شبکه را برای شناسایی الگوهای خاص در حرکات کودکان مبتلا به فلج مغزی و طبقه‌بندی دقیق آن‌ها در سطح‌های اصلی ارزیابی بالینی تنظیم کردند.

آن‌ها دریافتند که شبکه پیش‌آموزش داده شده توانست به درستی سطوح تحرک کودکان را طبقه‌بندی کند و این کار را با دقت بیشتری نسبت به زمانی که فقط بر روی داده‌های فلج مغزی آموزش دیده بود، انجام داد.

ژائو توضیح می‌دهد “زیرا شبکه بر روی یک مجموعه داده بسیار بزرگ از حرکات عمومی‌تر آموزش دیده است، ایده‌هایی درباره اینکه چگونه ویژگی‌ها را از یک توالی از حالت‌های انسانی استخراج کند، دارد. در حالی که مجموعه داده بزرگتر و مجموعه داده‌های فلج مغزی ممکن است متفاوت باشند، اما الگوهای مشترکی از اقدامات انسانی و چگونگی کدگذاری این اقدامات دارند.”

تیم روش خود را بر روی تعدادی از دستگاه‌های موبایل، از جمله انواع اسمارت‌فون‌ها، تبلت‌ها و لپ‌تاپ‌ها آزمایش کرد و متوجه شد که بیشتر دستگاه‌ها می‌توانند برنامه را با موفقیت اجرا کرده و نمره بالینی را از ویدیوها تقریباً به‌صورت آنی تولید کنند.

محققان اکنون در حال توسعه اپلیکیشنی هستند که تصور می‌کنند والدین و بیماران می‌توانند روزی از آن برای تجزیه و تحلیل خودکار ویدیوهای بیماران که در محیط آسایش آنها گرفته شده است استفاده کنند. سپس نتایج می تواند برای ارزیابی بیشتر به پزشک ارسال شود. این تیم همچنین در حال برنامه ریزی برای تطبیق این روش برای ارزیابی سایر اختلالات عصبی است.

کربس می‌گوید: «در آینده، این ممکن است به ما کمک کند پیش‌بینی کنیم که بیماران چگونه به مداخلات زودتر پاسخ می‌دهند. زیرا می‌توانیم آنها را بیشتر ارزیابی کنیم تا ببینیم آیا یک مداخله تأثیر دارد یا خیر.»

این تحقیق توسط مرکز توسعه تاکدا آمریکا پشتیبانی شده است.

برای اطلاعات بیشتر درباره این پروژه، می‌توانید از  مقاله منتشر شده آنها بازدید کنید.

اگه به مطالعه در مورد هوش مصنوعی و کاربرد های آن علاقه مند هستید میتوانید پست قبلی سایت بنو  را مشاهده کنید.

نوشته تشخیص بیماران حرکتی با هوش مصنوعی | هوش مصنوعی در پزشکی اولین بار در مرکز توسعه هوش مصنوعی بنو. پدیدار شد.

نوشته تحلیل داده‌های فضایی با یادگیری ماشین | هوش مصنوعی در کاوش مریخ اولین بار در مرکز توسعه هوش مصنوعی بنو. پدیدار شد.

استفاده نوآورانه از MEG و fMRI برای ترسیم پویایی مغز

برای نزدیک به یک دهه، یک تیم از محققان آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) در تلاش بودند تا کشف کنند چرا برخی تصاویر در ذهن مردم باقی می‌مانند، در حالی که بسیاری دیگر محو می‌شوند. برای این کار، آن‌ها به نقشه‌برداری از دینامیک‌های فضایی-زمانی مغز درگیر در شناسایی یک تصویر بصری پرداختند. و حالا برای اولین بار، دانشمندان از قدرت‌های ترکیبی مغناطیس‌سنجی مغز (MEG)، که زمان فعالیت مغز را ضبط می‌کند، و تصویربرداری تشدید مغناطیسی عملکردی (fMRI)، که نواحی فعال مغز را شناسایی می‌کند، بهره بردند تا به‌طور دقیق مشخص کنند که چه زمانی و کجا، مغز یک تصویر به‌یادماندنی را پردازش می‌کند.

کشف نقش مغز در حفظ تصویر و کاربردهای بالینی بالقوه تحقیق

مطالعه‌ی دسترسی آزاد آن‌ها که این ماه در PLOS Biology منتشر شده، از ۷۸ جفت تصویر که دارای یک مفهوم یکسان اما با نمرات به‌یادآوری متفاوت ( یکی بسیار به‌یادماندنی و دیگری آسان برای فراموش کردن ) استفاده شده است. این تصاویر که شامل صحنه‌های اسکیت‌برد، حیوانات در محیط‌های مختلف، اشیاء روزمره مانند فنجان‌ها و صندلی‌ها، مناظر طبیعی مانند جنگل‌ها و سواحل، صحنه‌های شهری از خیابان‌ها و ساختمان‌ها، و چهره‌هایی با حالت‌های مختلف بود، به ۱۵ شرکت‌کننده نشان داده شد. آن‌ها دریافتند که شبکه‌ گسترده‌تری از مناطق مغز نسبت به آنچه که قبلاً تصور می‌شد، به‌طور فعال در فرآیندهای رمزگذاری و نگهداری که اساس به‌یادآوری را تشکیل می‌دهند، درگیر است.

“افراد تمایل دارند برخی تصاویر را بهتر از تصاویر دیگر به یاد بسپارند، حتی زمانی که آن‌ها از نظر مفهومی مشابه هستند، مانند صحنه‌های مختلف از یک نفر که اسکیت‌برد سواری می‌کند”، بنجامین لاهر، دانشجوی دکترا در MIT در رشته مهندسی برق و علوم کامپیوتر، وابسته به CSAIL و نویسنده اصلی مطالعه، می‌گوید. “ما یک امضای مغزی برای قابلیت یادآوری بصری شناسایی کرده‌ایم که حدود 300 میلی‌ثانیه پس از مشاهده یک تصویر ظاهر می‌شود و شامل نواحی مختلفی از قشر پس‌سری (occipital cortex) و گیجگاهی (temporal cortex) است، که اطلاعاتی مانند درک رنگ و شناسایی اشیاء را پردازش می‌کند. این امضا نشان می‌دهد که تصاویر بسیار به یادماندی واکنش‌های مغزی قوی‌تر و پایدارتر را به‌ویژه در مناطقی مانند قشر بینایی اولیه، که قبلاً در پردازش حافظه دست‌کم می‌گرفتیم، تحریک می‌کنند.”

در حالی که تصاویر بسیار به یاد ماندنی پاسخ بالاتر و پایدار تری را برای حدود نیم ثانیه حفظ می‌کنند، پاسخ به تصاویر کم‌تر به یاد ماندنی به سرعت کاهش می‌یابد. برای این بینش، لاهر توضیح داد، می‌تواند درک ما از نحوه شکل‌گیری و ماندگاری حافظه را دوباره تعریف کند. تیم انتظار دارد که این تحقیق پتانسیل کافی برای کاربردهای بالینی آینده، به ویژه در تشخیص زودهنگام و درمان اختلالات مرتبط با حافظه داشته باشد.

روش ادغام MEG/fMRI و ایجاد یک ماتریس نمایشی برای پاسخ های عصبی

روش ادغام MEG/fMRI که در آزمایشگاه دانشمند ارشد تحقیقاتی CSAIL، آد اولیوا توسعه یافته، به طور ماهرانه ای پویایی فضایی و زمانی مغز را ثبت می کند و بر محدودیت های سنتی خاصیت فضایی یا زمانی غلبه می کند. این روش ادغام کمی از یادگیری ماشینی کمک گرفته است تا فعالیت مغز را هنگام نگاه به تصاویر مختلف بهتر بررسی و مقایسه کند. آن‌ها یک “ماتریس نمایشی” ایجاد کردند که شبیه به یک جدول دقیق است و نشان می‌دهد که چقدر پاسخ‌های عصبی در مناطق مختلف مغز مشابه هستند. این جدول به آن‌ها کمک کرد تا الگوهای مکانی و زمانی آنچه که مغزمی‌بینید و پردازش می‌کند را شناسایی کنند.

روش انتخاب تصاویر با میزان به یادماندن کم و زیاد

انتخاب تصاویر زوج‌های مفهومی مشابه با نمرات به یادماندنی بالا و پایین، عامل اصلی برای رسیدن به این بینش‌ها در مورد به یادماندن تصاویر بود. لاهنر روند جمع‌آوری داده‌های رفتاری برای تخصیص نمرات میزان به یادماندن به تصاویر را توضیح داد، جایی که آن‌ها مجموعه‌ای متنوع از تصاویر با ماندگاری بالا و پایین را با بازنمایی متعادل در بین دسته‌های بصری مختلف انتخاب کردند.

چالش ها و تحقیقات آینده

علیرغم پیشرفت‌های حاصل شده، تیم به چند محدودیت اشاره می‌کند. در حالی که این کار می‌تواند مناطق مغزی را شناسایی کند که اثرات به یاد ماندن قابل توجهی را نشان می‌دهند، اما نمی‌تواند عملکرد این مناطق را توضیح دهد که چگونه به بهتر کدگذاری/ بازیابی از حافظه کمک می‌کند.

پیامد های بالینی درک حافظه عصبی

به گفته الیوا، “درک مبانی عصبی به خاطر سپردن، مسیرهای هیجان‌انگیزی برای پیشرفت‌های بالینی به ویژه در تشخیص و درمان اختلالات مربوط به حافظه در مراحل اولیه، باز می‌کند،.” او ادامه می‌دهد: “امضاهای خاص مغزی که ما برای به خاطر سپردن شناسایی کرده‌ایم، می‌توانند به نشانه‌های بیوشیمیایی اولیه برای بیماری آلزایمر و دیگر زوال عقل‌ها منجر شود. این تحقیق راه را برای استراتژی‌های مداخله‌ای جدید هموار می‌کند که به طور دقیق با مشخصات عصبی فرد تنظیم می‌شوند، به طور بالقوه چشم‌انداز درمانی را برای اختلالات حافظه تغییر می‌دهند و به طور قابل توجهی نتایج بیمار را بهبود می‌بخشند.

ویلمای بینبریج، استادیار روانشناسی در دانشگاه شیکاگو که در این مطالعه مشارکت نداشت، می‌گوید: “این یافته‌ها هیجان‌انگیز هستند زیرا بینش‌هایی از آنچه که در مغز هنگام دیدن چیزی و ذخیره‌سازی آن درحافظه، رخ می‌دهد را به ما می‌دهند.” او ادامه می‌دهد: “پژوهشگران در اینجا در حال دریافت یک سیگنال قشر هستند که نشان می‌دهد چه چیزی مهم است تا به خاطر سپرده شود و چه چیزهایی می‌تواند در مراحل اولیه فراموش شود.”

تشکرات پژوهشی و تامین مالی

لاهنر و الیوا، که همچنین مدیر ارتباطات صنعتی استراتژیک در MIT Schwarzman College of Computing ، مدیر آزمایشگاه هوش مصنوعی MIT-IBM Watson ، و محقق اصلی CSAIL هستند، به همراه یلدا محسن‌زاده، استادیار دانشگاه غرب و کیتلین مالین، محقق دانشگاه یورک، در این مقاله همکاری دارند. این تیم از یک کمک‌هزینه مشترک از موسسات ملی بهداشت بهره می‌برد و و کار آنها توسط کمک هزینه تحصیلی دانشکده Vannevar Bush از طریق کمک مالی دفتر تحقیقات دریایی، جایزه بنیاد ملی علوم، جایزه ابتکار تحقیقات دانشگاه چند رشته ای از طریق کمک هزینه اداره تحقیقات ارتش و کمک هزینه تحصیلی EECS MathWorks تأمین شده است.مقاله آنها در PLOS Biology منتشر شده است.

برای اطلاعات بیشتر درباره این پروژه، می‌توانید از صفحه رسمی این پروژه و مقاله منتشر شده آنها بازدید کنید.

اگه به مطالعه در مورد هوش مصنوعی و کاربرد های پزشکی آن علاقه مند هستید میتوانید پست قبلی سایت بنو ذر رابطه با استفاده از زبان، دهان و حرکات سر برای کنترل تلفن‌ها و سایر دستگاه‌ها را مشاهده کنید!

صفحه لمسی دهانی به افراد مبتلا به فلج امکان می‌دهد با کامپیوترها تعامل داشته باشند!

این پست برگرفته از جدیدترین اخبار MIT میباشد. منبع

نوشته ترکیب MEG و fMRI در نقشه‌برداری مغز | هوش مصنوعی در پزشکی اولین بار در مرکز توسعه هوش مصنوعی بنو. پدیدار شد.

این حوزه در بسیاری از برنامه‌های کاربردی مانند تشخیص چهره، تشخیص اشیا، تشخیص علایم ترافیکی، تشخیص بیماری‌ها و غیره استفاده می‌شود.

پردازش تصویر در هوش مصنوعی اغلب با استفاده از الگوریتم‌ها و مدل‌های یادگیری عمیق (Deep Learning) انجام می‌شود. در این روش‌ها، شبکه‌های عصبی مصنوعی با تعداد زیادی لایه مخفی و وزن‌های قابل تنظیم استفاده می‌شوند تا بتوانند ویژگی‌های مهم در تصاویر را استخراج کنند و به دقت بالا در تشخیص و طبقه‌بندی تصاویر برسند.

یکی از مسائل مهم در پردازش تصویر، تشخیص اشیا و اجزای موجود در تصاویر است. با استفاده از شبکه‌های عصبی عمیق مانند شبکه عصبی کانولوشنی (Convolutional Neural Network) می‌توان اجسام مختلف را در تصاویر تشخیص داد. این شبکه‌ها با استفاده از لایه‌های کانولوشنی و لایه‌های تصمیم‌گیری می‌توانند ویژگی‌های خاصی مانند لبه‌ها، نقاط روشن و تاریک و الگوهای دیگر را در تصاویر استخراج کرده و با استفاده از آنها اشیا را تشخیص دهند.

همچنین، پردازش تصویر در هوش مصنوعی می‌تواند برای تشخیص چهره‌ها نیز استفاده شود. با استفاده از الگوریتم‌های تشخیص چهره، می‌توان چهره‌ها را در تصاویر شناسایی کرده و ویژگی‌های مختلفی مانند جنسیت، سن، احساسات و شناسه فردی را استخراج کرد.

پردازش تصویر در هوش مصنوعی از کاربردهای گسترده‌ای در حوزه‌های مختلف مانند پزشکی، صنعت، خودرو، امنیت و رباتیک برخوردار است. با پیشرفت تکنولوژی و روش‌های یادگیری عمیق، دقت و کارایی این سیستم‌ها نیز بهبود یافته است و در بسیاری از موارد می‌توانند با اطرز کار پردازش تصویر در هوش مصنوعی به طور کلی به شرح زیر است:

1. تهیه تصویر: در ابتدا، تصویر مورد نظر برای پردازش تهیه می‌شود. این تصویر می‌تواند از منابع مختلفی مانند دوربین‌ها، دستگاه‌های تصویربرداری یا پایگاه داده‌ها دریافت شود.

2. پیش‌پردازش: پس از تهیه تصویر، مرحله پیش‌پردازش انجام می‌گیرد. در این مرحله، تصویر ممکن است به صورت مرتب شده و استاندارد شود، تغییر اندازه داده شود، نویزها حذف شوند و مراحل پیش‌پردازش دیگری اعمال شوند تا تصویر مناسبی برای پردازش نهایی حاصل شود.

3. استخراج ویژگی‌ها: در این مرحله، از تصویر استخراج ویژگی‌های مهم انجام می‌شود. این ویژگی‌ها می‌توانند الگوها، لبه‌ها، رنگ‌ها یا سایر خصوصیات تصویری باشند. برای استخراج ویژگی‌ها، روش‌های مختلفی مانند تبدیل‌های هار، تبدیل فوریه، تبدیل موجک و شبکه‌های عصبی عمیق مورد استفاده قرار می‌گیرند.

4. طبقه‌بندی و تشخیص: پس از استخراج ویژگی‌ها، مدل یادگیری ماشینی استفاده می‌شود تا بر اساس این ویژگی‌ها تصمیم‌گیری کند. این مدل ممکن است یک الگوریتم ساده مانند ماشین بردار پشتیبان (SVM) یا یک شبکه عصبی عمیق مثل شبکه عصبی کانولوشنی (CNN) باشد. این مدل با استفاده از الگوریتم‌های یادگیری ماشینی، داده‌های آموزش دیده و قادر به تشخیص الگوها و اشیا مختلف در تصویر می‌شود.

5. تفسیر نتایج: در انتها، نتایج پردازش تفسیر می‌شوند و ممکن است بر اساس نیاز کاربر یا برنامه کاربردی مورد استفاده، اعمال اقدامات خاصی صورت گیرد. این می‌تواند شامل نمایش نتایج به صورت تصویری، ارسال دستورات به سیستم‌های خارجی، تهیه گزارش‌ها و غیره باشد.

روش‌های تشخیص چهره و استخراج ویژگی‌های تصویر با پردازش تصویر

بله، البته. روش‌های تشخیص چهره و استخراج ویژگی‌ها در پردازش تصویر به منظور شناسایی و تشخیص چهره‌ها در تصاویر استفاده می‌شوند. این روش‌ها معمولاً با استفاده از الگوریتم‌های یادگیری عمیق مانند شبکه‌های عصبی کانولوشنی (CNN) انجام می‌شوند. در زیر به برخی از این روش‌ها اشاره می‌کنم:

1. شبکه عصبی کانولوشنی (CNN): شبکه عصبی کانولوشنی یکی از روش‌های مهم برای تشخیص چهره است. این شبکه‌ها به صورت مستقیم روی تصاویر عمل می‌کنند و با استفاده از لایه‌های کانولوشنی و لایه‌های تصمیم‌گیری، ویژگی‌های مهمی را از تصویر استخراج می‌کنند. در مراحل ابتدایی، این شبکه‌ها لبه‌ها و الگوهای ساده را استخراج می‌کنند و به تدریج ویژگی‌های پیچیده‌تری مانند چهره‌ها را تشخیص می‌دهند. آموزش این شبکه‌ها با استفاده از مجموعه‌های بزرگی از تصاویر چهره انجام می‌شود تا بتوانند الگوهای معمول در چهره‌ها را یاد بگیرند و با دقت بالا تشخیص دهند.

2. الگوریتم‌های تبدیل هار: الگوریتم‌های تبدیل هار (Haar-like features) نیز یکی از روش‌های قدیمی و محبوب برای تشخیص چهره است. این الگوریتم‌ها بر اساس استفاده از ویژگی‌های ساده مانند لبه‌ها، نقاط روشن و تاریک و الگوهای ساده دیگر در تصویر، تشخیص چهره را انجام می‌دهند. این الگوریتم‌ها به صورت متوالی از ویژگی‌های ساده به ویژگی‌های پیچیده‌تر و سرانجام به تشخیص چهره می‌رسند.

3. شبکه‌های عصبی بازگشتی (RNN): شبکه‌های عصبی بازگشتی نیز در تشخیص چهره مورد استفاده قرار می‌گیرند. این شبکه‌ها معمولاً برای تشخیص چهره در ویدئوها و توالی‌های زمانی از آن‌ها استفاده می‌شوند. با استفاده از لایه‌های بازگشتی، اطلاعتکمیل می‌شود. شبکه‌های عصبی بازگشتی می‌توانند اطلاعات مربوط به چهره در زمان و توالی‌ها را دریافت کنند و الگوهای دقیق‌تری را در تشخیص چهره به دست آورند.

4. الگوریتم‌های تشخیص نقاط کلیدی: در این روش‌ها، نقاط کلیدی مهم در چهره مانند چشمان، بینی و دهان تشخیص داده می‌شوند. سپس با استفاده از روش‌های ریاضی و هندسی، این نقاط کلیدی با دقت بالا استخراج می‌شوند. تشخیص نقاط کلیدی یکی از مراحل مهم در استخراج ویژگی‌های چهره است و می‌تواند در تشخیص چهره و برخی وظایف دیگر مانند تشخیص احساسات صورت مفید باشد.

این تنها چند روش از بسیاری روش‌های موجود در حوزه تشخیص چهره و استخراج ویژگی‌ها هستند. در عمل، برای دستیابی به دقت بالا در تشخیص چهره، ممکن است از ترکیب چندین روش و استفاده از الگوریتم‌های پیشرفته‌تر مانند شبکه‌های عصبی بهینه‌سازی شده استفاده شود.

نوشته پردازش تصویر در هوش مصنوعی | تشخیص چهره و اشیا اولین بار در مرکز توسعه هوش مصنوعی بنو. پدیدار شد.