تشخیص بیماری از روی تصاویر شبکیه چشم با استفاده از تکنیک¬های یادگیری عمیق - دانشکده فنی و مهندسی
تشخیص بیماری از روی تصاویر شبکیه چشم با استفاده از تکنیک¬های یادگیری عمیق
نوع: Type: پایان نامه
مقطع: Segment: کارشناسی ارشد
عنوان: Title: تشخیص بیماری از روی تصاویر شبکیه چشم با استفاده از تکنیک¬های یادگیری عمیق
ارائه دهنده: Provider: سیامند اوستان
اساتید راهنما: Supervisors: دکتر حسن ختن لو
اساتید مشاور: Advisory Professors:
اساتید ممتحن یا داور: Examining professors or referees: دکتر میر حسین دزفولیان و دکتر محرم منصوری زاده
زمان و تاریخ ارائه: Time and date of presentation: 1400/7/28
مکان ارائه: Place of presentation: دانشکده مهندسی
چکیده: Abstract: علائم بسیاری از بیماری¬ها ازجمله دیابت رتینوپاتی در مراحل اولیه در شبکیه چشم ظاهر می¬شود. رتینوپاتی دیابتی عارضه شایع دیابت و یکی از مهمترین دلایل نابینایی است. بسیاری از عوارض دیابت رتینوپاتی با تشخیص بهموقع قابلپیشگیری است . بنابراین تشخیص زودهنگام بیماری برای موفقیت در درمان بسیار مهم است. امروزه به علت افزایش حجم تصاویر پزشکی، نیاز به متخصصان بسیاری برای تفسیر آن¬ها است، نیازی که در همهجا در دسترس نیست. سادهسازی مرحله تشخیص بسیار حائز اهمیت است و میتواند به میلیونها نفر کمک کند تا از عوارض و یا کوری ناشی از دیابت رتینوپاتی در امان بمانند. بنابراین بررسی شبکیه چشم بهوسیله روش¬های اتوماتیک نقش مهمی در تشخیص زودهنگام دیابت رتینوپاتی¬ دارند. از مدل-سازی¬های اخیر در حوزه هوش مصنوعی در پردازش تصاویر پزشکی، می¬توان به مدل¬های مبنی بر شبکههای عصبی کانولوشنی عمیق اشاره کرد. در این پژوهش روشی بر مبنای شبکه عصبی کانولوشنی عمیق برای مسئله تشخیص و دسته¬بندی دیابت رتینوپاتی در تصاویر فوندوس شبکیه ارائه شده است. این تحقیق بهطورکلی از دو بخش پیشپردازش و دستهبندی تشکیل شده است. قسمت پیش¬پردازش شامل روش¬هایی بهمنظور حذف پیکسل¬های زائد از تصویر و استفاده از تکنیک¬های افزایش داده است. قسمت دستهبندی شامل سه دستهبند برمبنای شبکههای عصبی کانولوشنی عمیق است که هرکدام از دستهبندها عملکرد مطلوبی داشته و دستهبندی تصاویر را با دقت مناسبی انجام میدهند. دسته¬بند اول یک شبکه عصبی عمیق که از بلوک¬های کانولوشنی پیوسته تشکیل شده است. شبکه دوم از دو شبکه موازی با فیلترهای یکسان و هسته¬های متفاوت ساخته شده است. شبکه سوم همان شبکه اول است که بهصورت سلسله مراتبی بهکاربرده شده است. دستهبندی تصاویر شبکیه در این پژوهش، با توجه به کلاسهای تصاویر مورد دستهبندی به چند شکل صورت پذیرفته است؛ اما مهمترین و کلیترین شکل دستهبندی در این پژوهش، دستهبندی بهصورت پنج دسته افراد سالم و افراد با دیابت رتینوپاتی خفیف، متوسط، شدید و تکثیری است. درنهایت روش پیشنهادی بر روی مجموعه دادههای Aptos اعمال و آزمایش می¬شود. آزمایش روش پیشنهادی بر این مجموعه داده، با استفاده از معیارهای مناسب صورت گرفته است. نتیجه مقایسه روش پیشنهادی با روش¬های پیشین، قابلقبول بوده و مدل عملکرد مطلوبی از خود بهجای گذاشته است.
فایل: ّFile: تنزيل فایل