تشخیص دیابت چشمی با استفاده از شبکه های عصبی کانولوشنال عمیق

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.