تشخیص دیابت چشمی با استفاده از شبکه های عصبی کانولوشنال عمیق
Publish place: Journal of Advanced Signal Processing، Vol: 4، Issue: 2
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 431
This Paper With 13 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JASP-4-2_006
تاریخ نمایه سازی: 28 آذر 1400
Abstract:
دیابت چشمی به عنوان یکی از عوارض مهم دیابت، باعث آسیب به شبکیه چشم بیمار شده و تشخیص دیرهنگام آن حتی میتواند موجب نابینایی گردد. برخی از روشهای دستهبندی مبتنی بر یادگیری ماشین بر اساس استخراج دادههای تصاویر شبکیه به صورت دستی بوده و توسط متخصصین پردازش تصویر صورت میپذیرد. در سال های اخیر روشی جدید برای تشخیص و طبقهبندی تصاویر شبکیه چشم بدون نیاز به استخراج ویژگیهای آن بهصورت دستی مبتنی بر شبکههای عصبی کانولوشنال (CNN) ارائه شده است. در زمینه تشخیص و تصویربرداری پزشکی، به علت کمبود دادههای طبقهبندی شده و زمانبر بودن فرآیند آموزش تا یک همگرایی مناسب، آموزش یک شبکه CNN از ابتدا دشوار بوده بنابراین یک روش متداول برای آموزش شبکههای CNN در حوزه پزشکی، بر اساس تنظیم مجدد شبکههای از پیش آموزش یافته، میباشد. برای این منظور در این مقاله، شبکه از پیش آموزش داده شده گوگلنت (GoogLeNet) به عنوان یکی از قویترین شبکههای عصبی کانولوشنال بر روی تصاویر شبکیه چشم بانک اطلاعات چشم پزشکی کگل (Kaggle Database) جهت تشخیص رتینوپاتی دیابتی اعمال میشود. همچنین جهت ارزیابی کلینیکی ساختار پیشنهادی، شبکه آموزش دیده جهت تشخیص دیابت چشمی بر روی ۱۰۱ تصویر شبکیه از کلینیک تخصصی چشمپزشکی نوید دیدگان با موفقیت اعمال گردید.
Keywords:
Authors
علی کارساز
گروه برق و مهندسی پزشکی، موسسه آموزش عالی خراسان، مشهد، ایران
صبورا محمدیان روشن
گروه مهندسی برق و مهندسی پزشکی، موسسه آموزش عالی خراسان، مشهد، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :