تشخیص دیابت چشمی با استفاده از شبکه های عصبی کانولوشنال عمیق
نویسنده:
نوع مقاله:
مقاله پژوهشی/اصیل (دارای رتبه معتبر)
چکیده:
دیابت چشمی به عنوان یکی از عوارض مهم دیابت، باعث آسیب به شبکیه چشم بیمار شده و تشخیص دیرهنگام آن حتی می تواند موجب نابینایی گردد. برخی از روش های دسته بندی مبتنی بر یادگیری ماشین بر اساس استخراج داده های تصاویر شبکیه به صورت دستی بوده و توسط متخصصین پردازش تصویر صورت می پذیرد. در سال های اخیر روشی جدید برای تشخیص و طبقه بندی تصاویر شبکیه چشم بدون نیاز به استخراج ویژگی های آن به صورت دستی مبتنی بر شبکه های عصبی کانولوشنال (CNN) ارایه شده است. در زمینه تشخیص و تصویربرداری پزشکی، به علت کمبود داده های طبقه بندی شده و زمان بر بودن فرآیند آموزش تا یک همگرایی مناسب، آموزش یک شبکه CNN از ابتدا دشوار بوده بنابراین یک روش متداول برای آموزش شبکه های CNN در حوزه پزشکی، بر اساس تنظیم مجدد شبکه های از پیش آموزش یافته، می باشد. برای این منظور در این مقاله، شبکه از پیش آموزش داده شده گوگل نت (GoogLeNet) به عنوان یکی از قوی ترین شبکه های عصبی کانولوشنال بر روی تصاویر شبکیه چشم بانک اطلاعات چشم پزشکی کگل (Kaggle Database) جهت تشخیص رتینوپاتی دیابتی اعمال می شود. همچنین جهت ارزیابی کلینیکی ساختار پیشنهادی، شبکه آموزش دیده جهت تشخیص دیابت چشمی بر روی 101 تصویر شبکیه از کلینیک تخصصی چشم پزشکی نوید دیدگان با موفقیت اعمال گردید.
کلیدواژگان:
زبان:
فارسی
صفحات:
225 تا 237
لینک کوتاه:
magiran.com/p2390981
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یکساله به مبلغ 1,390,000ريال میتوانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.
In order to view content subscription is required
Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!