یک روش کارا برای غربالگری اولیه بیماری گلوکوم بر اساس محاسبه نسبت کاپ به دیسک نوری با استفاده از شبکه های عصبی کانولوشنی

تشخیص و درمان به موقع بیماری گلوکوم می تواند از پیشروی این بیماری و از دست دادن ناگهانی بینایی جلوگیری کند. گلوکوم دیسک و کاپ نوری را که درون دیسک قرار دارد تحت تاثیر قرار می دهد. در این مقاله ابتدا به محلی سازی دیسک نوری پرداخته شده و سپس قطعه بندی دیسک و کاپ نوری به منظور تشخیص براساس نسبت کاپ به دیسک نوری (CDR) انجام می شود. برای مرحله محلی سازی دیسک از شبکه عصبی کانولوشنی مبتنی بر ناحیه سریعتر (Faster-RCNN) با شبکه پیش آموزش دیده ResNet۵۰ استفاده می شود. مرحله قطعه بندی توسط معماری U-Net اصلاح شده با استفاده از شبکه SE-ResNet۵۰ در قسمت کدگذار آن اجرا شده و در نهایت CDR مورد ارزیابی قرار می گیرد. پایگاه های داده Drishti-GS۱ و RIM-ONE v۳ برای آموزش و تست روش پیشنهادی و دسته داده MESSIDOR صرفا در مرحله تست بکار رفته است. همچنین به منظور قطعه بندی کاپ و دیسک نوری دو رویکرد برای درنظرگرفتن حاشیه نویسی کاپ و دیسک نوری در حقیقت مبنای دسته داده Drishti-GS۱ پیشنهاد می شود. در رویکرد پیشنهادی دوم و طبق معیار  F۱-score، نتیجه قطعه بندی کاپ و دیسک نوری برای دسته داده Drishti-GS۱ به ترتیب ۰.۹۳ و ۰.۹۷، برای دسته داده RIM-ONE v۳ به ترتیب ۰.۷۹ و ۰.۹۵ و برای دسته داده MESSIDOR به ترتیب ۰.۸۴ و ۰.۹۳ بدست آمده که قابل رقابت با سایر کارها است.

کلیدواژه ها:

یادگیری عمیق ، شبکه های عصبی کانولوشنی ، گلوکوم ، نسبت کاپ به دیسک نوری ، قطعه بندی