بهبود عملکرد شبکه عصبی MLP در طبقه بندی تصاویر شبکیه چشم جهت تشخیص خودکار بیماری گلوکوم مبتنی بر قطعه بندی تصویر
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,012
فایل این مقاله در 7 صفحه با فرمت PDF و WORD قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ACCSI22_002
تاریخ نمایه سازی: 13 شهریور 1396
چکیده مقاله:
در این مقاله، از طریق طبقهبندی تصایر رنگی شبکیهی چشم، یک سیستم تشخیص خودکار پزشکی برای بیماری آب سیاه طراحی میشود. در تصویر شبکیه نشانههای بیماری آب سیاه، در ناحیه سرعصب بینایی ظاهر میشود.در اکثر موارد تشخیص بیماری در زمان مناسب انجام نمیگیرد و یک سیستم کمک تشخیص پزشکی میتواند بسیار مفید واقع شود. روش پیشنهادی شامل پنج بخش 1- پیش پردازش تصویر، 2- مکانیابی و استخراج خودکار دیسک نوری ، 3- تولید ماسکهای باینری، 4-استخراج ویژگی و 5- طبقه بندی تصاویر است. در این مقاله الگوریتمی جدید جهت استخراج الگوی رگها مبتنی بر فیلتر تقویت بالا و تبدیل پایین کلاه مورفولوژی ارایه میگردد.ایده اصلی در بخش استخراج ویژگی این است که ویژگی ها به صورت محلی استخراج شوند تا قابلیت تفکیک پذیری بالاتری داشته باشند، که شامل توصیف گرهای آماری سطوح شدت داخل دیسکنوری و ویژگی بافت حاشیه اطراف آن است. در این مقاله در بخش طبقه بندی برای بالا بردن قابلیت تعمیم شبکه عصبی MLP و جلوگیری از بیش برازش آن، روش جدیدی بر پایه رویکرد توقف زود هنگام و تحلیل T2 ارایه میگردد.روش پیشنهادی بر روی پایگاه داده استاندارد تصاویر شبکیه آزمایش شده، که 100 تصویر سالم و 82 تصویر بیمار با دقت 96% درصد طبقه بندی شده است.
کلیدواژه ها:
طبقه بندی تصاویر رنگی شبکیه چشم ، قابلیت تعمیم شبکه عصبی ، قطعه بندی تصویر ، تبدیل کرولت گسسته سریع ، تبدیل پایین کلاه مورفولوژی ، ماتریس هم وقوعی سطح خاکستری ، بیماری آب سیاه
نویسندگان
محمد قابل رحمت
دانشجوی کارشناسی ارشد هوش مصنوعی، دانشگاه آزاد اسلامی، واحد قزوین، دانشکدهی مهندسی کامپیوتر و فناوری اطلاعات، قزوین، ایران
کریم فایز
استاد، دانشگاه صنعتی امیرکبیر، دانشکدهی مهندسی برق، تهران، ایران