چکيده
در دهة اخير با پيشرفت هوش مصنوعي و گسترش كاربردهاي يادگيري عميق، مهندسين به طراحي
سيستمهاي تشخيص بيماري به كمك رايانه( )CADبا استفاده از اين شبكهها، علاقهمند شدند. از آنجايي
در چشم پزشكي عدم تشخيص زود هنگام بيماريهايي همچون آبسياه، ميتواند عامل نابينايي بيمار شود؛
طراحي يك سيستم CADبا كمك هوش مصنوعي بسيار ضروري مينمايد.
اين پژوهش به منظور تشخيص زودهنگام بيماري آبسياه با بررسي تصاوير فوندوس شبكيه انجام گرفته
است. براي اين كار دو روش استفاده شد. از آنجايي كه متخصصين تشخيص بيماري براي بررسي تصاوير
فوندوس شبكيه از محاسبه نرخ جام به حلقه ( )CDRاستفاده ميكنند، در روش اول بعد از برش ناحيه
نوري تصوير با محاسبه اين نرخ تصاوير در دو دسته بيمار و سالم طبقهبندي شدند. در روش دوم با اعتماد
به شبكههاي عصبي كانولوشنال ( )CNNبه جاي محاسبه CDRاز CNNاستفاده شد. در اين مرحله چهار
گام طراحي و انجام شد. گام اول توليد ماسك براي نواحي ماكولاي تصوير با كمك الگوريتم kميانگين كه
نوعي يادگيري ماشين است، گام دوم استفاده از تصاوير و ماسكهاي توليد شده در گام قبل به منظور
آموزش يك شبكه ،U-netجهت تشخيص خودكار ناحيه ماكولا در تصاوير، گام سوم برش ناحيه ماكولا و
ناحيه نوري تصاوير با كمك شبكه آموزش داده شده در گام قبل و گام چهارم ارسال تصاوير نواحي ماكولا
و نوري به يك طبقهبند باينري.
واژگان كليدي: يادگيري عميق، آبسياه، تصويربرداري فوندوس شبكيه، ماكولا، الگوريتم kميانگين،
شبكه . U-ne
