عنوان

استفاده از شبکه‌های عصبی کانولوشنی در تشخیص آب مروارید

Number

۵۰۴۰پ

.Language of Text, Soundtrack etc

فارسی

Title Proper

استفاده از شبکه‌های عصبی کانولوشنی در تشخیص آب مروارید

General Material Designation

[پایان نامه]

First Statement of Responsibility

زهره اکبری

Name of Publisher, Distributor, etc.

صنعتی سهند

Date of Publication, Distribution, etc.

۱۴۰۲

Specific Material Designation and Extent of Item

۹۲ص.

Other Physical Details

مصور، جدول، نمودار

Accompanying Material

CD

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی برق- مخابرات سیستم

Date of degree

۱۴۰۲/۰۴/۰۱

Text of Note

آب مروارید یکی از شایع‌ترین اختلالات چشمی است که در آن عدسی چشم تیره می‌شود و می‌تواند در قسمت‌های مختلف عدسی چشم ظاهر ‌شود و علت اصلی نابینایی در سطح جهان است. بنابراین تشخیص زودهنگام علائم آب مروارید برای جلوگیری از تشدید بیماری و درمان به موقع ضروری است. مطالعات نشان داده است که 90% از موارد آب مروارید را می‌توان با تشخیص به موقع درمان کرد. چشم پزشکان از تصاویر فوندوس برای غربالگری و شناسایی ضایعات آب مروارید استفاده می‌کنند. با توجه به رشد روزافزون این بیماری، بررسی دستی حجم تصاویر فوندوس غیرقابل‌توان است. علاوه‌ بر این، تغییرات در آناتومی چشم در مراحل اولیه‌ی بیماری اغلب به دلیل ماهیت ظریف ویژگی‌ها توسط چشم انسان غیرقابل ردیابی است و حجم زیادی از تصاویر فوندوس فشار قابل توجهی بر منابع محدود متخصص وارد می‌کند و تحلیل دستی را عملاً غیرممکن می‌سازد. بنابراین باتوجه به محبوبیت یادگیری عمیق در برنامه‌های کابردی دنیای واقعی، این تحقیق روش‌های مبتنی یادگیری عمیق را برای تسهیل در تشخیص زودهنگام آب مروارید مورد بررسی قرار داده است. علی‌رغم نتایج امیدوارکننده در طبقه‌بندی باینری چشم سالم و دارای آب مروارید، تشخیص بسیار دقیق تغییرات اولیه در چشم با استفاده از یادگیری عمیق یک چالش در کاربرد عملی در مقیاس وسیع باقی مانده است. در این پایان نامه، یک شبکه‌ی عصبی عمیق جدید، به نام ResNet50 بهبودیافته، برای تشخیص خودکار آب مروارید در تصاویر فوندوس پیشنهاد شده است. توابع از دست دادن و فعال‌سازی برای آموزش شبکه با هسته‌های کوچک، لایه‌ها و پارامترهای آموزشی بیشتر تنظیم شده‌اند. شبکه‌ی پیشنهادی با بهینه‌ساز Adam بهینه شده است. در مجموع 1194 تصویر فوندوس آب مروارید و بدون آب مروارید جمع‌آوری شده و به 5970 تصویر برای آموزش مدل افزایش داده شده است. برای جلوگیری از مشکل برازش بیش از حد، مجموعه‌ی داده از طریق تقویت قبل از آموزش مدل گسترش یافته است. نتایج تجربی ثابت می‌کند که روش پیشنهادی از روش‌های پیشرفته‌ی تشخیص آب مروارید با دقت 16/98 درصد بهتر عمل می‌کند.

Text of Note

Cataract is one of the most common eye disorders in which the eye lens becomes dark and can appear in different parts of the eye lens and is the main cause of blindness worldwide. Therefore, early detection of cataract symptoms is necessary to prevent disease exacerbation and timely treatment. Studies have shown that 90% of cataract cases can be treated with timely diagnosis. Ophthalmologists use fundus images to screen and identify cataract lesions. Due to the increasing growth of this disease, it is impossible to manually check the volume of the fundus images. Furthermore, changes in eye anatomy in the early stages of the disease are often undetectable by the human eye due to the subtle nature of the features, and the large volume of fundus images places significant strain on limited expert resources, making manual analysis virtually impossible. Therefore, considering the popularity of deep learning in real-world applications, this research has investigated deep learning-based methods to facilitate the early diagnosis of cataracts. Despite promising results in binary classification of healthy and cataractous eyes, highly accurate detection of early changes in the eye using deep learning remains a challenge in large-scale practical application. In this thesis, a new deep neural network, improved ResNet50, is proposed for automatic cataract detection in fundus images. Loss and activation functions are tuned to train the network with small kernels, layers and more training parameters. The proposed network is optimized with the Adam optimizer. A total of 1194 cataract and non-cataract fundus images were collected and increased to 5970 images for model training. To avoid the problem of overfitting, the dataset is expanded through boosting before training the model. The experimental results prove that the proposed method performs better than the advanced cataract detection methods with an accuracy of 98.16%.

Variant Title

Cataract detection using deep convolutional neural networks

آب مروارید

یادگیری عمیق

شبکه‌ی عصبی کانولوشنی و طبقه‌بندی

Subject Term

آب مروارید، یادگیری عمیق، شبکه‌ی عصبی کانولوشنی و طبقه‌بندی

Subject Term

Cataract, Deep Learning, Convolutional Neural Network and Classificatio

اکبری، زهره

Entry Element

ابراهیمی

Part of Name Other than Entry Element

، افشین

Relator Code

استاد راهنما

Entry Element

صنعتی سهند

Country

ایران

Agency

دانشگاه صنعتی سهند

Call Number

برق، ۱۰۷۷۱، ۱۴۰۲

p

TF

92029

a

Y