این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ماشین بینایی و پردازش تصویر، جلد ۸، شماره ۳، صفحات ۲۷-۴۳
عنوان فارسی یک روش کارا برای غربالگری اولیه بیماری گلوکوم بر اساس محاسبه‌ نسبت کاپ به دیسک نوری با استفاده از شبکه‌های عصبی کانولوشنی
چکیده فارسی مقاله تشخیص و درمان به‌موقع بیماری گلوکوم می‌تواند از پیشروی این بیماری و از دست‌دادن ناگهانی بینایی جلوگیری کند. گلوکوم دیسک و کاپ نوری را که درون دیسک قرار دارد تحت تأثیر قرار می‌دهد. در این مقاله ابتدا به محلی‌سازی دیسک نوری پرداخته شده و سپس قطعه‌بندی دیسک و کاپ نوری به‌منظور تشخیص براساس نسبت کاپ به دیسک نوری (CDR) انجام می‌شود. برای مرحله محلی‌سازی دیسک از شبکه عصبی کانولوشنی مبتنی بر ناحیه سریعتر (Faster-RCNN) با شبکه پیش‌آموزش‌دیده ResNet50 استفاده می‌شود. مرحله قطعه‌بندی توسط معماری U-Net اصلاح‌شده با استفاده از شبکه SE-ResNet50 در قسمت کدگذار آن اجرا شده و در نهایت CDR مورد ارزیابی قرار می‌گیرد. پایگاه‌های داده Drishti-GS1 و RIM-ONE v3 برای آموزش و تست روش پیشنهادی و دسته‌داده MESSIDOR صرفا در مرحله تست بکار رفته است. همچنین به‌منظور قطعه‌بندی کاپ و دیسک نوری دو رویکرد برای درنظرگرفتن حاشیه‌نویسی کاپ و دیسک نوری در حقیقت مبنای دسته‌داده Drishti-GS1 پیشنهاد می‌شود. در رویکرد پیشنهادی دوم و طبق معیار F1-score، نتیجه قطعه‌بندی کاپ و دیسک نوری برای دسته‌داده Drishti-GS1 به‌ترتیب 0.93 و 0.97، برای دسته‌داده RIM-ONE v3 به ترتیب 0.79 و 0.95 و برای دسته‌داده MESSIDOR به ترتیب 0.84 و 0.93 بدست آمده که قابل رقابت با سایر کارها است.
کلیدواژه‌های فارسی مقاله یادگیری عمیق، شبکه‌های عصبی کانولوشنی، گلوکوم، نسبت کاپ به دیسک نوری، قطعه‌بندی،
عنوان انگلیسی An Efficient Method for Early Glaucoma Screening based on Calculating Optic Cup to Disc Ratio Using Convolutional Neural Networks
چکیده انگلیسی مقاله Early diagnosis and treatment of glaucoma can prevent the progression of this disease and the sudden loss of vision. Glaucoma affects the optic disc and optic cup located inside the optic disc. In this paper, first, the optic disc is localized and then segmentation of optic disc and cup is performed to diagnose based on the optic cup to disc ratio (CDR). A Faster Region-based Convolutional Neural Network (Faster-RCNN) with the pre-trained ResNet50 network is used for the optic disc localization step. The segmentation step is performed by the modified U-Net architecture using the SE-ResNet50 network as its encoding layers, and finally CDR is evaluated. The Drishti-GS1 and RIM-ONE v3 databases are used to train and test the proposed method and the MESSIDOR database is only used in the test phase. In addition, for segmentation of optic disc and cup, two approaches are proposed to consider the optic disc and cup annotations in the Drishti-GS1 data set’s ground truth. In the second proposed approach and according to the F1-score criteria, the result of optic cup and disc segmentation for Drishti-GS1 data set is 0.93 and 0.97, respectively, for RIM-ONE v3 data set is 0.79 and 0.95, respectively, and for MESSIDOR data set is 0.84 and 0.93, respectively, which is competitive with other works.
کلیدواژه‌های انگلیسی مقاله یادگیری عمیق, شبکه‌های عصبی کانولوشنی, گلوکوم, نسبت کاپ به دیسک نوری, قطعه‌بندی
نویسندگان مقاله فاطمه معادی |
دانش‌آموخته کارشناسی ارشد مهندسی برق گرایش مخابرات-سیستم، دانشگاه بین‌المللی امام خمینی(ره)، قزوین، ایران

ندا فرجی |
گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه بین‌المللی امام خمینی(ره)، قزوین، ایران

محمدرضا حسن نژاد بی بالان |
گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه بین‌المللی امام خمینی(ره)، قزوین، ایران

نشانی اینترنتی https://jmvip.sinaweb.net/article_126000_5e3098307eed1365c4d0c783abbd325a.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات