نوع مدرک: | متون چاپی |
سرشناسه | قادری قهفرخی ، مهسا، نویسنده |
ردهبندی کنگره : | COM A 1 1396 |
عنوان : | طبقهبندی تصاویر فوندوس چشم افراد دیابتی و سالم با استفاده از روش یادگیری عمیق |
ناشر: | دانشگاه شهید اشرفی اصفهانی : بی نا |
سال نشر : | 1394 |
شابک/شاپا | 22718 |
یادداشت | پایان نامه کارشناسی ارشد : کامپیوتر گرایش هوش مصنوعی |
شناسه افزوده : | ترابیان ، مهدی -کافیه |
توصیفگرها | رتینوپاتی دیابتی تصاویر فوندوس یادگیری عمیق شبکه عصبی کانولوشن طبقهبندی تصاویرdiabetic retinopathy fundus image deep learning convolutional neural network image classification |
چکیده : | رتینوپاتی دیابتی (Diabetic Retinopathy) یکی عارضههای ناشی از دیابت است و بدلیل تغییرات ایجاد شده در عروق خونی شبکیه، ایجاد میشود. با آسیب دیدن عروق خونی، ممکن است فرد بینایی خود را از دست بدهد. اگر چه بیماری دیابت درمان نمیشود، اما رتینوپاتی دیابتی میتواند به کمک عمل لیزر با موفقیت درمان شود. تشخیص رتینوپاتی دیابتی توسط معاینه شبکیه برای مشاهده عوارض رتینوپاتی دیابتی انجام میشود. تاکنون تحقیقات زیادی جهت تشخیص دیابت و طبقهبندی تصاویر چشم با استفاده از الگوریتمهای یادگیری ماشین و شبکههای عصبی انجامشده است، اما این الگوریتمها برای مجموعه تصویر با حجم کم مناسب میباشند و استخراج ویژگی در تصاویر بصورت نیمهخودکار انجام میگیرد. با پیدایش یادگیری عمیق و کسب نتایج بسیار خوب در حوزههای گوناگون بینایی کامپیوتر، شبکههای عصبی کانولوشن به عنوان یکی از مهمترین الگوریتمهای فعال در این زمینه مورد استفاده فراوان محققان قرار گرفتند. یکی از زمینههایی که این نوع شبکه در آن به نتایج بسیار خوبی دست یافته است طبقهبندی تصاویر است. در این پایاننامه یکی از الگوریتمهای موجود در شبکه عصبی کانولوشن عمیق بنام ResNet بررسی و جهت طبقهبندی تصاویر فوندوس چشم به دو گروه تصاویر نرمال و تصاویر دارای دیابت مورداستفاده قرار میگیرد. هدف این پژوهش بررسی یادگیری عمیق و شبکه عصبی کانولوشن و الگوریتمهای موجود در این شبکه و استفاده از یک الگوریتم یکپارچه و کاملاً خودکار جهت مراحل استخراج ویژگی، مهندسی ویژگی و دستهبندی تصاویر بر اساس ویژگیهای بدست آمده میباشد. این الگوریتم بر روی مجموعه تصاویر فوندوس چشم موجود در وب سایت Kaggel مورد استفاده قرارگرفته و نتیجه شبیهسازی برابر بادقت 85% و حساسیت 86% بوده است. بررسی تحقیقات انجامشده در سالهای اخیر نشان میدهد که این الگوریتم نسبت به الگوریتمهای دیگر نظیر AlexNet,ClarifiNet, VGGNet و ... به نتایج بهتری دستیافته است و نسبت به سایر الگوریتمها دارای خطای کمتری میباشد |
لینک ثابت رکورد: | ../opac/index.php?lvl=record_display&id=1120 |
زبان مدرک : | فارسی |