تاثیر به کارگیری مدل های رقابتی مولد عمیق در تعیین درجه رتینوپاتی دیابتی
محل انتشار: فصلنامه ابن سینا، دوره: 24، شماره: 1
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 139
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_SINA-24-1_004
تاریخ نمایه سازی: 30 بهمن 1400
چکیده مقاله:
زمینه و اهداف: تشخیص زودهنگام رتینوپاتی دیابتی در نیروهای نظامی می تواند موجب جلوگیری از کاهش عملکرد این نیروها و یا ممانعت از بروز خطاهای عملیاتی شود. به کارگیری یک روش خودکار و بهینه جهت تشخیص درجه بیماری از روی تصاویر شبکیه، در پیشگیری از حاد شدن بیماری کمک کننده است. هدف این مقاله ارائه روشی نو در تعیین پرولیفراتیو، مبتنی بر تجزیه و تحلیل داده ها از طریق تکنیک های یادگیری عمیق در هوش مصنوعی است.
روش بررسی: در این مطالعه که در سال ۱۳۹۷-۱۳۹۹ انجام شد از روشی نوین در رده بندی ۳۵,۱۲۶ تصویر پزشکی بر روی مجموعه داده های قابل دسترس از سایت کاگل مربوط به بیمارستانی در کشور انگلستان، استفاده شد. برای ایجاد توازن بین سطوح، ابتدا با کمک مدل رقابتی مولد عمیق، تعداد کلاس های کم تعداد را افزایش داده، سپس با استفاده از یک رده بند طراحی شده، تعیین درجه رتینوپاتی دیابتی، به طرق مختلف، انجام گرفت.
یافته ها: با استفاده از مدل مولد عمیق طراحی شده، دقت رده بندی حدود ۸۷% به دست آمد که نسبت به برترین کارهای مشابه، حدود ۷% بهبود داشت. ضمنا با توزیع مدل، کارایی خودکارسازی نیز به میزان ۶۰% بهبود نشان داد.
نتیجه گیری: با رفع مشکل عدم توازن سطوح مختلف رتینوپاتی، از طریق تولید تصاویر جدید با استفاده از مدل مولد عمیق طراحی شده و توزیع عملیات مذکور، ضمن افزایش کارایی، دقت بهینه نیز حاصل شده است. لذا از این راهکار نوین می توان جهت خودکارسازی تشخیص درجه رتینوپاتی بهره برد.
کلیدواژه ها:
Diabetic Retinopathy ، Neural Network Models ، Deep Learning ، Military ، رتینوپاتی دیابتی ، مدل های شبکه عصبی ، یادگیری عمیق ، نظامیان
نویسندگان
شیرین میرعابدینی
Department of Computer Engineering, Payame Noor University, Tehran, Iran
محمدرضا کنگاوری
Department of Computer Engineering, Iran University of Science and Technology, Tehran, Iran.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :