چکیده مقاله
رتینوپاتی دیابتی یکی از مهم ترین عوامل کاهش بینایی در بیماران دیابتی به شمار می رود این بیماری به علت آسیب تدریجی به شبکیه چشم ایجاد شده، و در موارد شدید می تواند به نابینایی دائمی منجر شود تشخیص زودهنگام این بیماری می تواند نقش موثری در جلوگیری از گسترش بیماری ایفا کند در این تحقیق یک مدل مبتنی بر شبکه های عصبی کانولوشن و رویکرد DenseNet ۱۲۱ با استفاده از یادگیری انتقالی با هدف طبقه بندی مراحل مختلف بیماری رتینوپاتی دیابتی بر اساس تصاویر فوندوس چشم توسعه داده شد مدل مورد نظر با استفاده از شاخص هایی هم چون دقت Accuracy ، دقت مثبت Precision ، بازخوانی Recall و امتیاز F۱ مورد سنجش و ارزیابی قرار گرفت و به دقت کلی ۷۸ ۳٪ دست یافت این مدل در تشخیص مراحل ابتدایی و میانی بیماری عملکرد قدرتمندی از خود نشان داد هرچند در تشخیص مراحل پیشرفته، به خصوص حالت شدید Severe Diabetic Retinopathy با چالش هایی در تفکیک مواجه است به طور کلی، نتایج این مطالعه نشان می دهد که استفاده از رویکردهای یادگیری عمیق می تواند به توسعه ابزارهای هوشمند برای کمک در تشخیص این بیماری در حوزه چشم پزشکی منجر شود
کلیدواژهها
نویسندگان
شیوه ارجاع
در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید: احمدی رشادت، علی و ثقفی، سجاد و ضیا آذری، حسین و احمدی، محمد رضا،1404،تعیین سطح رتینوپاتی دیابتی از تصاویر فوندوس با استفاده از رویکرد یادگیری عمیق DenseNet،دومین کنفرانس بین المللی رویکردهای نوین در مهندسی و علوم پایه،https://civilica.com/doc/2606579
ارائهشده در
مجموعه مقالات دومین کنفرانس بین المللی رویکردهای نوین در مهندسی و علوم پایه7 اسفند 1404