پایش رتینوپاتی دیابتی در تصاویر فوندوس شبکیه با استفاده از تبدیل فوریه و شبکه عصبی کانولوشنی

Abstract

رتينوپاتی ديابتی چشم، از ديابت ناشی می‌شود که به شبكيه آسيب می‌رساند. نظارت و درمان نامناسب آن منجر به نابینایی می‌گردد. معاينه رتينوپاتی ديابتی توسط پزشک متخصص چشم صورت می‌گیرد. اخيراً مدل‌های نظارتی خودکار با کارایی قابل‌ قبول برای کمک به متخصص چشم پیشنهاد شده است. مواد و روش‌ها : در این پایان نامه، سه دیتاست معرفی و استفاده شده است. ابتدا ترکیبی از دو دیتاست Messidor-2 وIDRiD، به عنوان نمونه های آموزشی و Messidor، به عنوان نمونه تست استفاده شده است. در انتها برای ارزیابی بیشتر عملکرد مدل نیز آموزش برروی ترکیبی از دو دیتا ست Messidor-2 و Messidor، صورت گرفته و بر روی دیتاست IDRiD، ارزیابی شده است. درابتدای انجام آزمایشات مطالعه حاضر روش های گوناگونی از جمله تکنیک های تبدیل فوریه و بهبود کنتراست تصویر برای بهبود اطلاعات داخل تصاویر و آماده سازی آن ها به منظور استخراج ویژگی در گام پیش پردازش انجام گرفته است. پس از بهبود کیفیت تصاویر از موفق ترین شبکه های عصبی کانولوشنی مانند الکس نت، موبایل نت، اسکوییز نت،VGG، دنس نت ۱۲۱و افیشنت نت به عنوان گام طبقه بندی استفاده شده است. در انتها ارزیابی نتایج عملکرد شبکه ها با استفاده از سطح زیر منحنی ROC صورت گرفته و مقایسه شده است. يافته ها: مقادیرAUC در روش مبتنی بر تبدیل فوریه و نسخه ششم از معماری افیشنت نت برای دیتاست های Messidor و IDRiD به ترتیب ۹/۹۳ و۸/۸۹ درصد بدست آمده است. همچنین مقدارAUC بر روی دیتاست های Messidor و IDRiD با استفاده از تکنیک تعدیل هیستوگرام تطبیقی با کنتراست محدود و نسخه ششم ازمعماری افیشنت نت به ترتیب مقادیر ۵/۹۴ و۲/۹۳ درصد حاصل شده است. نتیجه گیری: اگر چه در گام پیش پردازش هردو تکنیک تعدیل هیستوگرام تطبیقی با کنتراست محدود وتبدیل فوریه هر کدام به طور مجزا برای برجسته شدن عروق در تصاویر فوندوس شبکیه و بهبود کنتراست نقش بسزایی دارند، اما در انجام آزمایشات مشاهده شدکه نتیجه حاصل از عملکرد تعدیل هیستوگرام تطبیقی با کنتراست محدود نسبت به نتیجه حاصل از تکنیک تبدیل فوریه بهتر است. همچنین به عنوان گام طبقه بندی، سطح ششم از معماری افیشنت نت مفید بوده است. اعداد بدست آمده برای سطح زیر منحنی ROC اين رویکرد را از زمره دقيق ترين روش های اين حوزه قرار می دهد.