كاربرد شبكه هاي عصبي مصنوعي و شبكه هاي عصبي كانولوشن در تشخيص تصاوير پزشكي: تمركز بر رتينوپاتي ديابتي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

با توجه به شيوع فزاينده بيماري ديابت در سطح جهان، رتينوپاتي ديابتي به يكي از اصلي‌ترين علل نابينايي قابل پيشگيري در ميان بزرگسالان تبديل شده است. درجه‌بندي به‌موقع و دقيق شدت اين بيماري بر اساس تصاوير فوندوس شبكيه، نقشي حياتي در تعيين راهبردهاي درماني به‌هنگام و جلوگيري از آسيب غيرقابل‌برگشت بينايي ايفا مي‌كند. با اين حال، روش‌هاي سنتي غربالگري دستي توسط متخصصان چشم‌پزشكي، فرآيندي زمان‌بر، پرهزينه و مستعد خطاي بينا-فردي است كه با كمبود نيروي متخصص در مناطق محروم تشديد مي‌شود. در سال‌هاي اخير، سيستم‌هاي مبتني بر يادگيري عميق، به‌ويژه شبكه‌هاي عصبي كانولوشني و معماري‌هاي ترنسفورمر، به‌عنوان ابزارهاي اميدبخش براي خودكارسازي تشخيص و درجه‌بندي رتينوپاتي ديابتي مطرح شده‌اند. اگرچه اين مدل‌ها پيشرفت‌هاي چشمگيري داشته‌اند، چالش‌هايي همچون تشخيص ضايعات ريز (ريزآنوريسم‌ها، خونريزي‌ها و ترشحات سخت)، عدم تعادل شديد در توزيع كلاس‌هاي شدتي، شباهت بصري بين مراحل مجاور و ضعف تعميم‌پذيري بين مجموعه‌داده‌هاي مختلف، كارايي آن‌ها را در كاربرد باليني محدود مي‌سازد. در اين پايان‌نامه، رويكردي نوين مبتني بر يادگيري عميق به‌منظور درجه‌بندي دقيق رتينوپاتي ديابتي ارائه و ارزيابي شده است. در راستاي دستيابي به اين هدف، يك مدل كانولوشني ساده در مقايسه با شش معماري شاخص پيش‌آموزش‌ديده، شامل VGG16، ResNet50، ResNeXt50، ConvNeXt-Tiny، ViT-B/16، Swin-T و MNv4-Conv-L، مورد سنجش قرار گرفت. نتايج تحليل مقايسه‌اي حاكي از آن است كه مدل MobileNetV4-Conv-L با دستيابي به بالاترين ميزان دقت (75٪)، برتري چشمگيري نسبت به ساير مدل‌ها داشته است. اين معماري توانست بهبود عملكردي معادل 20 تا 23 درصد نسبت به مدل‌هاي پايه و قديمي‌تر نظير Simple-CNN (دقت 55٪) و VGG16 (دقت 52٪) ارائه دهد. همچنين، معماري‌هاي مبتني بر ترانسفورمر مانندViT-B/16 با دقت 59٪ نسبت به شبكه‌هاي كانولوشني سنتي عملكرد بهتري نشان دادند. اين ميزان از پيشرفت عددي اثبات مي‌كند كه به‌كارگيري مدل‌هاي پيش‌آموزش‌ديده‌ي نوين در اين حوزه، ضمن ارائه‌ي عملكرد قابل‌قبول، قابليت تبديل‌شدن به ابزاري ارزشمند در فرآيند تشخيص باليني را داراست و مي‌تواند پزشكان متخصص را در ارتقاي دقت تشخيص اين بيماري ياري نمايد.

237773

هوش مصنوعي و رباتيك

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان