تخمین عمقناحیه ماکوال از روی تصاویر فوندوس با استفاده از شبکه های عمیق پیچشی

تخمین ضخامت شبکیه برای تشخیص و نظارت بر بیماری های شبکیه، مانند ادم ماکوالی دیابتی، بسیار حائز اهمیت است. در این مطالعه، چارچوبی مبتنی بر شبکه عصبی پیچشی (CNN) برای تخمین نقشه های ضخامت ناحیه ماکوال از تصاویر فوندوس ارائه می دهیم. مدل ما، با استفاده از یک مجموعه داده شامل تصاویر فوندوس و نقشه های ضخامت متناظر، برای پیش بینی ضخامت در سطح پیکسل آموزش داده شده است که می تواند جایگزینی کارآمد برای تکنیک های زمان بر و پرهزینه مانند تصویربرداری توموگرافی انسجام نوری (OCT) در غربالگری مورد استفاده قرار گیرد. معماری شبکه CNN به گونه ای طراحی شده است که ویژگی های کلیدی تصاویر فوندوس را استخراج کند و بر نمایش دقیق فضایی تاکید داشته باشد. مدل ما با استفاده از خطای میانگین مربعات به عنوان تابع هزینه آموزش داده شد و با استفاده از معیارهای استاندارد عملکرد، از جمله خطای میانگین مطلق و شاخص شباهت ساختاری (SSIM)، ارزیابی شد. نتایج آزمایش ها نشان می دهند که روش پیشنهادی ما دقت ۸۹ درصد در تخمین ضخامت دارد و نقشه های پیش بینی شده مطابقت قابل توجهی با داده های واقعی دارند.

کلیدواژه ها:

تخمین ضخامت ناحیه ماکوال ، تصاویر فانداس ، یادگیری عمیق ، شبکه های عصبی پیچشی