تشخیص بیماری های چشمی رتینوپاتی با استفاده از شبکه عصبی عمیق CNN

بیماری پیشرفته چشم دیابتی ( DED ) منجر به از دست دادن دائمی بینایی می شود. بنابراین، تشخیص زودهنگام علائم DED برای جلوگیری از تشدید بیماری و درمان به موقع ضروری است. مطالعات نشان داده است هه ۹۰ درصد از موارد DED با تشخیص و درمان زودهنگام قابل اجتناب است. در این مقاله، روش های مبتنی بر یادگیری عمیق و شبکه عصبی CNN به صورت باینری (سالم و یا بیمار) و چند کلاسه (مشخص نمودن نوع بیماری) با استفاده از تصاویر فوندوس شبکیه را برای تسهیل تشخیص زودهنگام DED بررسی و ارائه نموده ایم. بدین منظور، از شبکه عصبی کانولوشنال جدید در استخراج و طبقه بندی خودکار ویژگی ها، بر اساس شبکه های عصبی عمیق استفاده نمودیم. برای توسعه یک سیستم پیشرفته تعداد معینی از رویکردهای یادگیری عمیق اصلی با تکنیک های پیشرفته دیگر مانند پیش پردازش تصویر، تقویت داده ها، استخراج ویژگی های DED و بخش بندی تصویر ترکیب نمودیم و با استفاده از شبکه CNN و مدل هایی مانند VGG۱۶ ، Inception V۳ و Xception در شبکه پیشنهادی به دقت ۹۳.۳۳ درصد در تشخیص بیماری های خفیف چشمی رسیدیم که بسیار قابل توجه است.

Keywords:

, DED , یادگیری عمیق , شبکه عصبی CNN , پیشپردازش تصویر , VGG۱۶ , Inception V۳ , Xception