| چکیده |
رتینوپاتی دیابتی یکی از عوارض مهم بیماری دیابت است که در شبکیه چشم بیمار اتفاق می افتد و تشخیص دیرهنگام آن حتی می تواند عوارضی مانند نابینایی درپی داشته باشد. بررسی این بیماری به وسیله روش های اتوماتیک نقش مهمی در تشخیص زودهنگام آن ایفا می نماید. بعضی از این روش ها مبتنی بر داده های استخراج شده به صورت دستی از تصاویر شبکیه می باشند. استخراج ویژگی ها به صورت دستی توسط متخصصین پردازش تصویر انجام می گیرد و مناسب ترین ویژگی های هر تصویر به صورت داده های برداری قابل اعمال به الگوریتم های یادگیری استخراج می شود. از طرف دیگر اخیراً روشی جدید برای تشخیص و طبقه بندی تصاویر بدون نیاز به استخراج ویژگی ها به صورت دستی با نام شبکه های عصبی کانولوشن ارائه شده است. به دلیل محدود بودن تعداد داده های مربوط به زمینه های پزشکی و همچنین محدودیت های سخت افزاری، روش متداول برای آموزش شبکه های کانولوشن بر روی داده های پزشکی، دوباره تنظیم نمودن شبکه های از پیش آموزش داده شده می باشد. برای این منظور در این پایان نامه ابتدا به اعمال روش های یادگیری ماشین متداول بر روی داده های استخراج شده از روی تصاویر می پردازیم. سپس این روش ها برای انتخاب بهترین الگوریتم یادگیری با یکدیگر مقایسه می شوند. در مرحله بعد، شبکه عصبی کانولوشن از پیش آموزش داده شده ای بر روی داده های تصویری اعمال می گردد و شبکه مورد نظر برای تشخیص رتینوپاتی دیابتی از روی تصاویر شبکیه تنظیم می شود تا مطلوب ترین نتایج به دست آید. در نهایت شبکه عصبی کانولوشن مذکور بر روی 101 تصویر شبکیه که از یک کلینیک تخصصی چشم پزشکی گرفته شده است، اعمال می گردد تا هم نتایج شبکه طراحی شده بر روی داده های جدید کلینیکی بررسی گردند و هم امکان استفاده از سیستم طراحی شده برای مراکز درمانی داخل کشور مطرح شود.
|
