کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
11030104 1646387 2018 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Deep convolutional neural networks for diabetic retinopathy detection by image classification
ترجمه فارسی عنوان
شبکه‌های عصبی کانولوشنی عمیق برای تشخیص رتینوپاتی دیابتی با استفاده از دسته‌بندی تصویر
کلمات کلیدی
رتینوپاتی دیابتی ، دسته‌بندی تصاویر Fundus، شبکه‌های عصبی کانولوشنی ، یادگیری انتقالی
فهرست مطالب مقاله
چکیده

کلمات کلیدی

1-مقدمه

جدول 1: مجموعه داده‌ی دسته بندی

2-کار مرتبط

3-مجموعه داده و پیش پردازش

4-روش‌ها

شکل2: مسیر روش پیشنهادی با استفاده از CNNها

شکل 3: مدل AlexNet

4-1-AlexNet

4-2- Vggnet

شکل 4: مدل VggNet

4-3-GoogleNet

4-4-ResNet

5-آزمایشات و نتایج

5-1-معیارهای عملکردی

شکل 5: مدل inception با نسخه ساده

شکل 6: مدل Inception با کاهش ابعاد 

شکل 7: معماری ResNet

جدول 2: نتایج دسته بندی با پارامترهای مقداردهی شده‌ی تصادفی اولیه مدل CNN

جدول 3: نتایج دسته‌بندی با تنظیم ابرپارامتر

5-2-اعتبارسنجی تجربی

6-نتیجه گیری و کار آینده

 
ترجمه چکیده
رتینوپاتی دیابتی (DR) نوعی عارضه شایع دیابتی و یکی از علل اصلی نابینایی در جمعیت فعال است. با کنترل قندخون و درمان به موقع می‌توان از بسیاری از عوارض DR جلوگیری کرد. با وجود انواع مختلف و پیچیدگی‌های DR، شناسایی DR در روند تشخیص دستی بسیار دشوار است. این مقاله تلاشی برای یافتن روشی اتوماتیک برای دسته بندی مجموعه‌ای از تصاویر fundus است. ما از قدرت شبکه‌های عصبی عمیق (CNN) برای شناسایی DR بهره برده‌ایم که شامل سه چالش دشوار و اصلی است: دسته بندی، تقسیم بندی و تشخیص. همراه با یادگیری انتقالی و تنظیم ابرپارامترها از AlexNet، VggNet، GoogleNet، ResNet استفاده کردیم و به تحلیل این مسئله پرداختیم که این مدل‌ها، دسته بندی تصویر DR را چقدر خوب تحلیل می‌کنند. ما از بستر عمومی Kaggle و در دسترس برای آموزش این مدل‌ها استفاده کردیم. بهترین دقت کلاسبندی 95.68% بود و نتایج، دقت بهتری از CNN و یادگیری انتقالی بر دسته بندی تصویر DR ارائه کردند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر شبکه های کامپیوتری و ارتباطات
پیش نمایش مقاله
شبکه‌های عصبی کانولوشنی عمیق برای تشخیص رتینوپاتی دیابتی با استفاده از دسته‌بندی تصویر
چکیده انگلیسی
Diabetic retinopathy (DR) is a common complication of diabetes and one of the major causes of blindness in the active population. Many of the complications of DR can be prevented by blood glucose control and timely treatment. Since the varieties and the complexities of DR, it is really difficult for DR detection in the time-consuming manual diagnosis. This paper is to attempt towards finding an automatic way to classify a given set of fundus images. We bring convolutional neural networks (CNNs) power to DR detection, which includes 3 major difficult challenges: classification, segmentation and detection. Coupled with transfer learning and hyper-parameter tuning, we adopt AlexNet, VggNet, GoogleNet, ResNet, and analyze how well these models do with the DR image classification. We employ publicly available Kaggle platform for training these models. The best classification accuracy is 95.68% and the results have demonstrated the better accuracy of CNNs and transfer learning on DR image classification.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers & Electrical Engineering - Volume 72, November 2018, Pages 274-282
نویسندگان
, , ,