ورود
مقالات فارسیISIکنفرانسهاژورنالها

تشخیص اتوماتیک بیمارهای شبکیه چشم با استفاده از مدل های ریاضیاتی پردازش تصویر، مبتنی بر یادگیری دیکشنری چند لایه

محل انتشار: فصلنامه فناوری آموزش، دوره: 13، شماره: 3
سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 641

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/888726

شناسه ملی سند علمی:

JR_JEIT-13-3_001

تاریخ نمایه سازی: 16 تیر 1398

چکیده مقاله:

هدف از این مطالعه بهبود عملکرد طبقه بندی روش های نوین، با استفاده از مدلی چند لایه به منظور کمک به تشخیص بیماری های شبکیه ی چشم است. این مدل از الگوریتم K-SVD پیشرفته، برای یادگیری ماتریس دیکشنری و الگو های پایه استفاده می کند تا بتواند با الگوپذیری از معماری چند لایه، ویژگی های بهتری را در تصاویر OCT شبکیه بیاموزد. همچنین در این معماری، علاوه بر استفاده از برچسب های کلاس داده های آموزشی، اطلاعات برچسب نیز در هر ستون پایه در ماتریس دیکشنری ترکیب می شود تا در کدگذاری تنک در طی فرآیند یادگیری دیکشنری بیشترین تبعیض اعمال شود که این منجر به موفقیت مراحل کدگزاری تنک و جمع بندی، در پیدا کردن نمایش موثر تری از داده به منظور طبقه بندی می گردد. برای اعتبار سنجی الگوریتم، از مجموعه داده های داک استفاده شده است. نتایج تجربی نشان می دهد که الگوریتم پیشنهادی این مقاله توانسته است با پیشی گرفتن از بسیاری از مدل های جدید یادگیری دیکشنری و نمایش تنک، بسیار خوب عمل نماید و با دقت خوبی منجر به طبقه بندی صحیح ٪95.85 برای تصاویر نرمال و صددرصد برای تصاویر بیمار (DME و AMD) شود.

کلیدواژه ها:

یادگیری دیکشنری چند لایه ، نمایش تنک ، الگوریتم K-SVD ، مقطع نگاری همدوسی شبکیه ، طبقه بندی

نویسندگان

آزاده منتظری

گروه فناوری اطلاعات، دانشکده کامپیوتر، دانشگاه قم، قم ، ایران

محبوبه شمسی

دانشکده برق و کامپیوتر، دانشگاه صنعتی قم

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • Schirrmacher F, Köhler T, Husvogt L, (2017). Quantile sparse image ...
  • Sarbjeet Kaur, V., & Banga, K. (2014). Review paper of ...
  • Fan Meng et al, (2017). A sparse dictionary learning-based adaptive ...
  • Zheng H., Zhu, J., Yang, Z., & Jin, Z. (2017). ...
  • Chan Wai Tim, S., Rombaut, M., & Pellerin, D, (2015). ...
  • Zhang, Z. et al. (2016). Discriminative-dictionary-learning-based multilevel point-cluster features for ...
  • Zhang, Z. et al. (2016). Sparse codes auto-extractor for classification: ...
  • de Moura J., Novo, J., & Rouco, J. (2017). Automatic ...
  • Oguz, I. et al. (2016). Optimal retinal cyst segmentation from ...
  • Sun, Y., Lim S., Sun, Z. (2017). Fully automated macular ...
  • Rickman, C. B. et al. (2013). Dry age-related macular degeneration: ...
  • Antonym B.J et al. (2013). A combined machine-learning and graph-based ...
  • Carass, A. et al. (2014). Multiple-object geometric deformable model for ...
  • Chium S. J. et al. (2012). Validated automatic segmentation of ...
  • Sun, Y. et al. (2016). 3D automatic segmentation method for ...
  • Vermeer, K. et al. (2011), Automated segmentation by pixel classification ...
  • Yang, Q. et al. (2011), Automated segmentation of outer retinal ...
  • Lang, A. et al. (2013), Retinal layer segmentation of macular ...
  • Garcia-Allende, P. B et al. (2011). Morphological analysis of optical ...
  • Chan, S. et al, (2016), Multi-layer Dictionary Learning for Image ...
  • Jiang, Z., Lin, Z., & Davis, L., (2011). Learning a ...
  • Pande, P. et al. (2014), Automated classification of optical coherence ...
  • Alsaih, K., et al, (2017). Machine learning techniques for diabetic ...
  • Liu, Y. et al. (2011). Automated macular pathology diagnosis in ...
  • Zheng, Y., Hijazi, M.H.A, & Coenen, F. (2012). Automated ‘disease/no ...
  • Hijazi, M.H.A, Coenen, F., & Zheng, Y. (2012).Data mining techniques ...
  • Kafieh, R., & Rabbani, H. (2013). Optical coherence tomography noise ...
  • Albarrak, A. et al. (2012). Volumetric image mining based on ...
  • Wang, Q. et al, (2017). Synthesis K-SVD based analysis dictionary ...
  • Srinivasan, P.P et al, (2014). Fully automated detection of diabetic ...
  • Esmaeili, M., Dehnavi, A. M., & Rabbani, H. (2017). Speckle ...
  • Yankelevsky, Y. et al, (2016). Structure-aware classification using supervised dictionary ...
  • Sun, Y., Li, S.H, Sun, Z.H. (2017). Fully automated macular ...
  • Hassan, T. et al, (2015). Review of OCT and fundus ...
  • Shalev-Shwartz, S., & Shamir, O. (2017). Failures of gradient-based deep ...
  • Javidi, M.,  Pourreza, H.R., & Harati, A. (2017).  Vessel segmentation ...
  • Khalid, S., et al, (2017). Fully automated robust system to ...
  • Lu, D. et al. (2017). Retinal fluid segmentation and detection ...
  • Gangeh, M. et al, (2015). Supervised dictionary learning and sparse ...
  • Guan, J., et al. (2018). Polynomial dictionary learning algorithms in ...
  • Su, H., et al, (2018), Multifeature dictionary learning for collaborative ...
  • Aggarwal, C. C, & Reddy, C.K. (2013). Data clustering, algorithms ...
  • Kafieh, R. (2014). Combination of graph based and space-frequency methods ...
    • نمایش کامل مراجع