با رویکرد تطبیقی آموزش شبکه های OCT طبقه بندی تصاویر یادگیری عمیق

در حال حاضر حداقل ۲.۲ میلیارد نفر در سراسر جهان دارای اختلال بینایی هستند که حداقل ۱ میلیارد نفر از آنها دارای اختلال بیناییهستند که می توانست از آن جلوگیری شود یا هنوز درمان نشده است. جهان از نظر مراقبت های چشمی با چالش های قابل توجهی ازجمله نابرابری در پوشش و کیفیت خدمات پیشگیری، درمان و توانبخشی مواجه است. کمبود ارائه دهندگان خدمات مراقبت از چشمآموزش دیده؛ و ادغام ضعیف خدمات مراقبت از چشم در سیستم های بهداشتی، از جمله. در چشم پزشکی، غربالگری زودرس فوندوسیک راه اقتصادی و موثر برای پیشگیری از نابینایی ناشی از بیماری های چشمی است. از نظر بالینی، به دلیل کمبود منابع پزشکی،تشخیص دستی زمان بر است و ممکن است شرایط را به تاخیر بیندازد. با توسعه یادگیری عمیق، برخی از تحقیقات در مورد بیماری هایها تنها بر اساس یک بیماری هستند. تشخیص زودهنگام چشم یک راه مقرون به چشمی به نتایج خوبی دست یافته اند، اما بیشتر آنصرفه و موثر برای پیشگیری از نابینایی ناشی از دیابت، گلوکوم، آب مروارید و بسیاری از بیماری های دیگر است. تشخیص سریع وخودکار در کاهش فعالیت چشم پزشک و جلوگیری از اختلال بینایی در بیماران مهم و ضروری است. بینایی کامپیوتری و یادگیری عمیقمی تواند به طور خودکار بیماری های چشمی را پس از ارائه تصاویر پزشکی فوندوس با کیفیت بالا تشخیص دهد.در این مقاله آزمایش ها وروش های مختلفی را امتحان می کنیم تا با کمک شبکه های عصبی پیچشی با استفاده از کتابخانه TensorFlow مدلی برپایه این مدلهابسازیم. معماری پیشنهادی ما مدلی هیبرید می باشد بر پایه معماری های VGG۱۶ , ResNet۵۰ , MobileNetV۳Small می باشد .مدل ما ۴ کلاس را با نرخ های ۹۶.۰۲ ٪و ۹۲ ٪ به ترتیب برای دقت (Accuracy)، حساسیت (Sensitivity) شناسایی کرد.

Keywords:

یادگیری عمیق , تصاویر OCT , ترکیب شبکه ها