چکیده :
سندرم دان ، رایج ترین دلیل نقص در هنگام تولد بشر است که تغییراتی را در رشد فیزیکی و کم هوشی ذهنی ایجاد می کند. سندرم دان عموماً صفات مربوط به چهره مشخصی دارد که فرصت تشخیص آن توسط کامپیوتر با استفاده از عکس های بیماران را مهیا می کند. در این مطالعه، تیم پی سی اسکریپت یک استراتژی جدید بر پایه تکنیک های یادگیری ماشین برای تشخیص سندرم داون به صورت اتوماتیک پیشنهاد می کند. یک مدل محلی مشروط اصلاح شده، برای قرار دادن landmark ها (نقاط راهنما) در صورت استفاده می شود.
سپس ویژگی های هندسی، و ویژگی های بافت بر اساس الگوهای باینری محلی از اطراف هر landmark استخراج می شود. سرانجام سندرم داون با استفاده از یک سری کلاسیفایر (طبقه بندی کننده) شناسایی می شود. بهترین عملکرد بدست آمده با دقت (نزدیکی به میزان واقعی) 94.6% ، دقت 93.3% (دقت در اندازه گیری قابل تکرار) بوسیله استفاده از ماشین بردار پشتیبان با هسته تابع شعاع محور. نتایج دلالت می کند که روش ما به طور موثر در غربالگری سندرم دان به شیوه ای غیر تهاجمی کمک می کند.
توضیح مساله تشخیص سندرم دان از روی عکس:
سندرم دان یک شرایط کروموزومی در اثر حضور یک کپی سوم از کروموزوم 21 است. سندرم دان رایج ترین ناهنجاری کروموزومی است و بر یکی از 300 تا 1000 نوزاد را در سراسر جهان بسته به فاکتورهایی نظیر آزمایشات قبل از تولد و سنین زایمان تحت تاثیر قرار می دهد. بیماران با سندرم دان ریسک زیادی برای ناتوانایی های —- ، نقوص قلبی ، تنفسی و مشکلات شنوایی دارند و تشخیص زودهنگام سندرم داون برای مدیریت بیماری اساسی است.
سندرم دان می تواند قبل یا بعد از تولد تشخیص داده شود.آزمایشات غربالگری بیوشیمیایی و تست های تشخیصی سیتوژنتیک می تواند قبل از تولد انجام شود. بعد از تولد سندرم داون معمولا بر اساس حضور تعدادی از تغییرات فیزیکی جزئی و ناهنجاری ها از قبیل شکاف پلکی upslanting ، گوش های کوچک، بیرون زدگی زبان، یک نیمرخ چهره مسطح ، یک چین عمودی در 2 طرف بینی(خصیصه بافت) و تغییرات اندام.
این تفاوت ها ممکن است دقیق و تاثیر پذیر از طول دوران بارداری، اثرات کار، زمینه های جغرافیایی خانواده، باشند که یک تشخیص مناسب و دقیق را سخت می سازند.
