تعیین سطح رتینوپاتی دیابتی از تصاویر فوندوس با رویکرد یادگیری عمیق DenseNet
فایل این در 13 صفحه با فرمت PDF قابل دریافت می باشد
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
چکیده :
رتینوپاتی دیابتی یکی از مهم ترین عوامل کاهش بینایی در بیماران دیابتی به شمار می رود. این بیماری به علت آسیب تدریجی به شبکیه چشم ایجاد شده، و در موارد شدید می تواند به نابینایی دائمی منجر شود. تشخیص زودهنگام این بیماری می تواند نقش موثری در جلوگیری از گسترش بیماری ایفا کند. در این تحقیق یک مدل مبتنی بر شبکه های عصبی کانولوشن و رویکرد DenseNet-121 با هدف طبقه بندی مراحل مختلف بیماری رتینوپاتی دیابتی بر اساس تصاویر فوندوس چشم توسعه داده شد. مدل مورد نظر با استفاده از شاخص هایی هم چون صحت (Accuracy)، دقت (Precision)، بازخوانی (Recall) و امتیاز F1 مورد سنجش و ارزیابی قرار گرفت و به صحت کلی 78.3٪ دست یافت. این مدل در تشخیص مراحل ابتدایی و میانی بیماری عملکرد قدرتمندی از خود نشان داد. اگرچه در تشخیص مراحل پیشرفته، به خصوص حالت شدید (Severe Diabetic Retinopathy) با چالش هایی در تفکیک مواجه است. به طور کلی، نتایج این مطالعه نشان می دهد که استفاده از رویکرد های یادگیری عمیق می تواند به توسعه ابزار های هوشمند برای کمک در تشخیص این بیماری در حوزه چشم پزشکی منجر شود.
کلیدواژه ها:
نویسندگان
علی احمدی رشادت
استادیار، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد یادگار امام خمینی (ره) شهرری، تهران، ایران
سجاد ثقفی
دانشجوی کارشناسی علوم کامپیوتر، دانشگاه آزاد اسلامی واحد یادگار امام خمینی (ره) شهرری، تهران، ایران
حسین ضیاء آذری
دانشجوی کارشناسی علوم کامپیوتر، دانشگاه آزاد اسلامی واحد یادگار امام خمینی (ره) شهرری، تهران، ایران
رضا احمدی
دانشجوی کارشناسی علوم کامپیوتر، دانشگاه آزاد اسلامی واحد یادگار امام خمینی (ره) شهرری، تهران، ایران
مراجع و منابع این :
لیست زیر مراجع و منابع استفاده شده در این 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 لینک شده اند :