فهرست مقالات رتینوپاتی دیابتی

• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  1 - تشخیص رتینوپاتی دیابتی با تحلیل اگزودا در تصاویر شبکیه با استفاده از یادگیری عمیق
  ملیحه شارعی نیا سید محمد حسین معطر
  رتینوپاتی دیابتی، عارضهای ناشی از دیابت است که بدلیل تغییرات ایجاد شده در رگهای خونی رخ میدهد. هدف اصلی این مقاله،ارتقاء دقت تشخیص رتینوپاتی دیابتی در تصاویر شبکیه نسبت به روشهای معمول مبتنی بر استخراج بردار ویژگی میباشد. در اینروش ابتدا بر اساس دادههای آموزشی لایه به ل چکیده کامل

  رتینوپاتی دیابتی، عارضهای ناشی از دیابت است که بدلیل تغییرات ایجاد شده در رگهای خونی رخ میدهد. هدف اصلی این مقاله،ارتقاء دقت تشخیص رتینوپاتی دیابتی در تصاویر شبکیه نسبت به روشهای معمول مبتنی بر استخراج بردار ویژگی میباشد. در اینروش ابتدا بر اساس دادههای آموزشی لایه به لایه شبکه عصبی آموزش دیده و در نهایت شبکه عصبی کانولوشن با کمک چهار لایهکانولوشن، چهار لایه ادغام و دو لایه تماماً متصل آموزش دیده و ساخته میشوند. شبکه عصبی کانولوشن ویژگیهای موجود در تصویرشبکیه را آموخته و ویژگیهای مناسب را برای دستهبندی تصاویر استخراج میکند. در این مقاله توانستیم در آزمایشهای خود به بهبودبرای آزمودن روش ،Stare قابل قبولی نسبت به کارهای انجام شدهی قبلی برسیم که با توجه به بررسی 397 نمونه از پایگاه دادهپیشنهادی و بدست آوردن نرخ حساسیت 90 % و صحت 96 % موفقیت روش بر روی این پایگاه داده کاملاً مشهود هست. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  2 - ارائه یک سیستم خودکار برای تشخیص افراد سالم و افراد دارای بیماری رتینوپاتی دیابتی
  مینا غیور حسین پورقاسم
  دیابت یکی از شایع ترین بیماری ها در جهان است که آثار مخربی بر روی قسمت های مختلف بدن برجای می گذارد. از ابتدایی ترین قسمت هایی که دچار عارضه می شود چشم است. تحلیل صدمات وارد شده بر روی شبکیه چشم از بهترین راه های تشخیص دیابت است. به همین علت ابتدا یک روش پرکاربرد و موثر چکیده کامل

  دیابت یکی از شایع ترین بیماری ها در جهان است که آثار مخربی بر روی قسمت های مختلف بدن برجای می گذارد. از ابتدایی ترین قسمت هایی که دچار عارضه می شود چشم است. تحلیل صدمات وارد شده بر روی شبکیه چشم از بهترین راه های تشخیص دیابت است. به همین علت ابتدا یک روش پرکاربرد و موثر برای حذف نویز تصاویر با ترکیب فیلتر وینر و تبدیل موجک گسسته اعمال می شود. در مرحله بعد از الگوریتم خوشه بندی k-means برای حذف قسمت های نامطلوب تصویر شامل نواحی خیلی روشن و خیلی تیره تصویر، استفاده می شود. سپس ویژگی های رنگ و شکل تصاویر استخراج می شود. برای استخراج ویژگی های رنگ تصویر، تصاویر را به فضای lab که برای چشم انسان بهتر قابل درک است برده می شود و برای استخراج ویژگی های شکل ابتدا تصاویر را به تصاویر خاکستری تبدیل کرده و سپس اقدام به استخراج ویژگی های شکل می گردد. پس از استخراج ویژگی ها به کمک الگوریتم تجزیه و تحلیل مؤلفه های اصلی تعداد ویژگی ها را کاهش داده و بهترین و مؤثرترین ویژگی ها انتخاب می شود. در پایان برای طبقه بندی ویژگی ها و تصاویر به دو گروه سالم و بیمار، از طبقه بند ماشین بردار پشتیبان با کرنل های متفاوت استفاده می شود. این الگوریتم صحت بالای 90% برای تصاویر آزمایشی حاصل می کند. پرونده مقاله