تشخیص رتینوپاتی چشم دیابتی با شبکه عصبی کانولوشن بهبودیافته مبتنی بر الگوریتم کپلر

این پژوهش یک سامانه هوشمند برای تشخیص رتینوپاتی دیابتی (DR) از تصاویر فوندوس چشم ارائه می کند که معماری عمیق ۵-ResNet را با الگوریتم بهینه سازی حرکت سیاره ای کپلر (KOA) ترکیب می نماید. در گام نخست تصاویر خام مجموعه داده Kaggle DR پس از تغییر اندازه (۲۲۴×۲۲۴) و اعمال فیلتر Gaussian برای افزایش کنتراست نواحی مهم شبکیه پیش پردازش شدند. سپس مدل ۵۰-ResNet بدون وزن های پیش آموزش یافته و با اتصال لایه های کانولوشن پیش از هر ماکزیمم پولینگ پیاده سازی گردید تا ویژگی های پیچیده تری استخراج شود. الگوریتم KOA فراپارامترهای بحرانی شبکه شامل تعداد و ابعاد فیلترها و نرخ یادگیری را با جمعیت ۱۰ و ۲۰ تکرار بهینه سازی کرد. مدل حاصل پس از ۱۰ دوره آموزش با SGD روی ۸۰% تصاویر و روی ۲۰% تصاویر اعتبارسنجی به دقت ۹۷٫۳٪، حساسیت ۹۸٫۱٪، ویژگی ۹۹٫۱ و امتیاز F۱ معادل ۹۷٫۸٪ دست یافت و نسبت به روش مبنا ResNet (بهینه سازی دستی) بهبود معناداری در صحت دقت و ویژگی نشان داد. تحلیل ماتریس اغتشاش و منحنی های ROC/AUC نیز برتری مدل پیشنهادی در تفکیک سطوح مختلف DR را تایید کرد. نتایج حاکی از آن است که ترکیب ResNet با KOA می تواند سامانه ای سبک، دقیق و قابل اتکا برای غربالگری DR در محیط بالینی فراهم آورد.

کلیدواژه ها:

رتینوپاتی دیابتی ، شبکه عصبی کانولوشن ، ۵۰-ResNet ، الگوریتم کپلر ، بهینه سازی فراپارامتر ، تشخیص پزشکی