تاثیر به کارگیری مدل های رقابتی مولد عمیق در تعیین درجه رتینوپاتی دیابتی
تشخیص زودهنگام رتینوپاتی دیابتی در نیروهای نظامی می تواند موجب جلوگیری از کاهش عملکرد این نیروها و یا ممانعت از بروز خطاهای عملیاتی شود. به کارگیری یک روش خودکار و بهینه جهت تشخیص درجه بیماری از روی تصاویر شبکیه، در پیشگیری از حاد شدن بیماری کمک کننده است. هدف این مقاله ارایه روشی نو در تعیین پرولیفراتیو، مبتنی بر تجزیه و تحلیل داده ها از طریق تکنیک های یادگیری عمیق در هوش مصنوعی است.
در این مطالعه که در سال 1397-1399 انجام شد از روشی نوین در رده بندی 35,126 تصویر پزشکی بر روی مجموعه داده های قابل دسترس از سایت کاگل مربوط به بیمارستانی در کشور انگلستان، استفاده شد. برای ایجاد توازن بین سطوح، ابتدا با کمک مدل رقابتی مولد عمیق، تعداد کلاس های کم تعداد را افزایش داده، سپس با استفاده از یک رده بند طراحی شده، تعیین درجه رتینوپاتی دیابتی، به طرق مختلف، انجام گرفت.
با استفاده از مدل مولد عمیق طراحی شده، دقت رده بندی حدود 87% به دست آمد که نسبت به برترین کارهای مشابه، حدود 7% بهبود داشت. ضمنا با توزیع مدل، کارایی خودکارسازی نیز به میزان 60% بهبود نشان داد.
با رفع مشکل عدم توازن سطوح مختلف رتینوپاتی، از طریق تولید تصاویر جدید با استفاده از مدل مولد عمیق طراحی شده و توزیع عملیات مذکور، ضمن افزایش کارایی، دقت بهینه نیز حاصل شده است. لذا از این راهکار نوین می توان جهت خودکارسازی تشخیص درجه رتینوپاتی بهره برد.
- 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.