عنوان

بهبود طبقه‌‌بندی بیماری رتینوپاتی دیابتی با استفاده از الگوریتم‌‌های یادگیری عمیق

شماره

پ۲۴۹۷۸

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

بهبود طبقه‌‌بندی بیماری رتینوپاتی دیابتی با استفاده از الگوریتم‌‌های یادگیری عمیق

نام نخستين پديدآور

امیرحسین عباسیان

نام ناشر، پخش کننده و غيره

مهندسي برق و کامپيوتر

تاریخ نشرو بخش و غیره

۱۴۰۰

نام خاص و کميت اثر

۵۶ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی برق گرایش مهندسی مخابرات سیستم

زمان اعطا مدرک

۱۴۰۰/۰۶/۲۴

متن يادداشت

بیماری رتینوپاتی دیابتی که اغلب در افراد دیابتی به وجود می آید، به مرور موجب نابینایی در این بیماران می شود و برای پیشگیری از ایجاد این بیماری نیاز به سیستم¬های پیشرفته تشخیص است. بر همین اساس هدف پژوهش حاضر طبقه¬بندی بیماری رتینوپاتی دیابتی توسط الگوریتم-های یادگیری عمیق است. شبکه عصبی کانولوشنی که زیر مجموعه الگوریتم¬های یادگیری عمیق است، یکی از مهم¬ترین شبکه¬ها برای آموزش به¬ویژه تصاویر پزشکی است. از این¬رو، در این تحقیق برای طبقه¬بندی تصاویر شبکیه چشم از شبکه¬های کانولوشنی استفاده می¬شود. ابزار گردآوری اطلاعات به روش مطالعات کتابخانه¬ای است، و به منظور تجزیه و تحلیل داده¬ها از نرم افزار پایتون و کتابخانه کراس استفاده شده است. داده¬ها به صورت تصویر پیش¬پردازش شده به یک شبکه کانولوشنی برای طبقه¬بندی داده شده که موجب می شود نواحی میکروانوریسم ها و رگ های خونی لخته شده بهتر مشاهده شده و باعث بهبود درصد دقت در طبقه بندی شود. نتایج نشان می دهد برای 5 طبقه درصد دقت اعتبار سنجی 40 تا 50 درصد بدست آمده است

متن يادداشت

Diabetic retinopathy, which often occurs in people with diabetes, eventually causes blindness in these patients, and advanced diagnostic systems are needed to prevent the disease from developing. Accordingly, the aim of this study is to classify diabetic retinopathy by deep learning algorithms. The convolutional neural network, which is a subset of deep learning algorithms, is one of the most important networks for education, especially medical imaging. Therefore, in this study, convolutional networks are used to classify retinal images. The data collection tool is library study method, and Python software and cross library have been used to analyze the data. The data is processed as a pre-processed image into a convolutional network for classification, which allows better viewing of microaneurysms and clotted blood vessels and improves classification accuracy. The results show that for 5 classes, the accreditation accuracy percentage is 40 to 50%.

عنوان گونه گون

Improvement of Diabetic Retinopathy Classification Using Deep Learning Algorithms

عنصر شناسه اي

عباسیان

ساير عناصر نام

‏ امیرحسین

کد نقش

تهيه کننده

عنصر شناسه اي

‏ سید عربی

عنصر شناسه اي

رضوی ‏

ساير عناصر نام

‏ میر هادی

ساير عناصر نام

‏ سید ناصر

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

تبریز