T27914
انگلیسی
Automated retinopathy disease detection using ensemble learning based on inception and resnet
Dissertation
Muhanned Abd Raji Al-bacha
Electrical and Computer Engineering
1401
72p.
cd
M.S.
computer engineering, artificial intelligence
1401/09/01
The adoption of fundus images can provide a significant benefit for the diagnosis and management of diabetic retinal diseases (DR). Currently, the detection of DR is challenging due to wide variations of shape, texture, size and spatial location. Early detection and treatment of retinal disease are necessary in order to delay or avoid vision deterioration, vision loss and provide better control of the disease. Current diagnosis methods make decisions based on single scale deep learning models to encode features from the fundus images. However, such methods might ignore the important discriminative features found at different scales. Therefore, in this thesis, we proposed method react with 5 classes of DR which is Mild, Moderate, Severe, Proliferative and Normal. Kaggle APTOS dataset used to train a multilayer deep convolutional neural network (CNN) to differentiate fundus images between each type DR classes above. Hence, the work presented shows the benefits of implementing deep learning analysis to the problem of DR diagnosis either for timely referrals or for grading support.
اتخاذ تصاویر فوندوس می تواند مزایای قابل توجهی برای تشخیص و مدیریت بیماری های دیابتی شبکیه چشم (DR) داشته باشد. در حال حاضر، تشخیص DR به دلیل تنوع گسترده شکل، بافت، اندازه و موقعیت مکانی چالش برانگیز است. تشخیص و درمان زودهنگام بیماری شبکیه به منظور به تاخیر انداختن یا جلوگیری از زوال بینایی، از دست دادن بینایی و کنترل بهتر بیماری ضروری است. روش‌های تشخیص کنونی بر اساس مدل‌های یادگیری عمیق مقیاس تکی برای رمزگذاری ویژگی‌های تصاویر فوندوس تصمیم‌گیری می‌کنند. با این حال، چنین روش‌هایی ممکن است ویژگی‌های متمایز مهم موجود در مقیاس‌های مختلف را نادیده بگیرند. بنابراین، در این پایان نامه، روش واکنش با 5 کلاس DR که خفیف، متوسط، شدید، پرولیفراتیو و نرمال است را پیشنهاد کردیم. مجموعه داده Kaggle APTOS برای آموزش یک شبکه عصبی کانولوشن عمیق چندلایه (CNN) برای تمایز تصاویر فوندوس بین هر نوع کلاس DR در بالا استفاده شد. از این رو، کار ارائه شده مزایای اجرای تجزیه و تحلیل یادگیری عمیق را برای مشکل تشخیص DR برای ارجاع به موقع یا برای پشتیبانی درجه بندی نشان می دهد.
تشخیص خودکار بیماری رتینوپاتی با استفاده از یادگیری گروهی بر اساس شروع و بازنشانی
Retinopathy disease, Fundus, vision
بیماری رتینوپاتی، فوندوس، بینایی
Abd Raji Al-bacha,
Muhanned
Producer
Saleh pour,
Balaver,
Pedram
Muhammed
Thesis advisor
Consulting advisor
Tabriz
ایران
Central Library of Tabriz University
20230125
ارشد پایاننامه QA76.A23 1401
Muhanned Abd Raji Al-bacha
عبادی
e
TL
276903
a
Y
