تعیین سطح رتینوپاتی دیابتی از تصاویر فوندوس با استفاده از رویکرد یادگیری عمیق DenseNet

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-۱۲۱ با استفاده از یادگیری انتقالی 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 دقت (Accuracy)، دقت مثبت (Precision)، بازخوانی (Recall) و امتیاز F۱ مورد سنجش و ارزیابی قرار گرفت و به دقت کلی ۷۸.۳٪ دست یافت. این مدل در تشخیص مراحل ابتدایی و میانی بیماری عملکرد قدرتمندی از خود نشان داد. هرچند 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 رویکردهای یادگیری عمیق می تواند به توسعه ابزارهای هوشمند برای کمک در تشخیص این بیماری در حوزه چشم پزشکی منجر شود.

کلیدواژه ها:

رتینوپاتی دیابتی ، شبکه های عصبی مصنوعی ، معماری DenseNet ، شبکه عصبی کانولوشن