تقسیم بندی تصاویر فوندوس شبکیه چشم به کمک یادگیری عمیق

تقسیم بندی دقیق رگ های خونی در تصاویر شبکیه به دلیل اهمیت آن در تشخیص زودهنگام بیماری های چشمی نظیر رتینوپاتی دیابتی و گلوکوم، از اهمیت بالایی برخوردار است. با توجه به چالش هایی مانند نویز، کنتراست پایین و عدم تعادل کلاسی در تصاویر شبکیه، تشخیص بیماری های چشمی سخت می باشد. این پژوهش با هدف توسعه یک روش خودکار و دقیق برای تقسیم بندی رگ های خونی، یک معماری جدید مبتنی بر U-Net ارائه می دهد. در مرحله پیش پردازش، از روش بهبود کنتراست CLAHE و تکنیک های افزایش داده مانند چرخش و بزرگ نمایی برای ارتقای کیفیت تصاویر و غنی سازی مجموعه داده استفاده شده است. در U-Net پیشنهادی، با جایگزینی بلوک های مرسوم با بلوک های توجه کانولوشنی تقویت شده است. این بلوک ها با توجه همزمان بر روی ویژگی های مکانی و کانالی، به مدل در استخراج موثرتر ویژگی های مرتبط با رگ ها کمک می کنند. روش پیشنهادی بر روی دادگان Retina Blood Vessel Segmentation دقت ۹۵۲۳/۰ را به دست آورد که نشان دهنده برتری عملکرد آن در مقایسه با روش های پایه است.

کلیدواژه ها:

تقسیم بندی رگ های خونی ، یادگیری عمیق ، شبکه U-Net ، مکانیزم توجه ، محدودسازی کنتراست ، تابع زیان ترکیبی