بهبود تشخيص و طبقه بندي بيماري رتينوپاتي در تصاوير شبكيه با توسعه شبكه هاي عصبي عميق - دانشکده فنی و مهندسی
بهبود تشخيص و طبقه بندي بيماري رتينوپاتي در تصاوير شبكيه با توسعه شبكه هاي عصبي عميق
نوع: Type: پایان نامه
مقطع: Segment: کارشناسی ارشد
عنوان: Title: بهبود تشخيص و طبقه بندي بيماري رتينوپاتي در تصاوير شبكيه با توسعه شبكه هاي عصبي عميق
ارائه دهنده: Provider: اعظم افشاری - مهندسی کامپیوتر
اساتید راهنما: Supervisors: دکتر حسن ختن لو ، دکتر محرم منصوری زاده
اساتید مشاور: Advisory Professors:
اساتید ممتحن یا داور: Examining professors or referees: خانم دکتر افراسیابی ، آقای دکتر نصرتی
زمان و تاریخ ارائه: Time and date of presentation: ساعت 10 - 1403/6/21
مکان ارائه: Place of presentation: کلاس 30
چکیده: Abstract: رتینوپاتی دیابتی، به عنوان یکی از شایعترین عوارض دیابت، در مراحل اولیه با علائمی در شبکیه چشم مشهود میشود و از مهمترین عوامل موجب نابینایی است. تشخیص زودرس رتینوپاتی از اهمیت بالایی برخوردار است زیرا به درمان سریع آن و پیشگیری از پیشرفت و ناپایداریهای مانند تاری دید و کوری کمک میکند. این پژوهش یک روش یادگیری عمیق برای تشخیص و درجهبندی مراحل رتینوپاتی دیابتی با استفاده از تصاویر شبکیه (فوندوس) ارائه میدهد. مدل ما از شبکه عصبی کانولوشنی عمیق با نام ConvNeXtBase استفاده میکند که از پیشآموزش دیده و به روز است تا ویژگیهای مورد نیاز را استخراج کند و آنها را بر روی مجموعه داده جدید، بزرگ و ادغام شده، شامل مجموعه APTOS 2019 که از منابع عمومی در دسترس است، به دقت تنظیم کند.این مدل نهتنها در تشخیص و طبقهبندی مراحل رتینوپاتی دیابتی بر روی مجموعه داده APTOS 2019 عملکرد بسیار خوبی داشته است بلکه از نتایج بهتری نسبت به روشهای پیشین برخوردار بوده است. روش پیشنهادی به عنوان یک ابزار قابل اعتماد برای غربالگری و درجهبندی مراحل رتینوپاتی دیابتی عمل کرده و امکان بهبود تصمیمگیریهای بالینی و مراقبت از بیماران را فراهم میآورد. این پژوهش به بررسی دقیق دستهبندی تصاویر به پنج کلاس میپردازد که در میان دستهبندیهای دیگر این مسئله مشکل ترین و چالشبرانگیزترین میباشد. در پایان، عملکرد روش پیشنهادی بر روی 20% از مجموعه داده APTOS مورد ارزیابی قرار گرفت و نتایج آن نشان داد که دقت 88.92% و معیار F1 88.95% در طبقهبندی پنج کلاسه به دست آمده است، که این نشان از عملکرد موفق این مدل در این مسئله میباشد.
فایل: ّFile: تنزيل فایل