1403/01/26
مریم مومنی

مریم مومنی

مرتبه علمی: استادیار
ارکید: https://orcid.org/0000-0002-2548-1619
تحصیلات: دکترای تخصصی
اسکاپوس: 55959639000
دانشکده: دانشکده فنی مهندسی
نشانی: دانشگاه اراک- دانشکده فنی و مهندسی- گروه مهندسی برق
تلفن:

مشخصات پژوهش

عنوان
تشخیص بیماری شب کوری با استفاده از الگوریتم های یادگیری عمیق
نوع پژوهش
پایان نامه های تقاضا محور و غیر تقاضا محور
کلیدواژه‌ها
شب کوری- یادگیری عمیق- شبکه عصبی- کانولوشن
سال 1401
پژوهشگران مریم مومنی(استاد راهنما)، میثم فتاحی(دانشجو)

چکیده

دیابت چشمی، فشار شبکیه، پارگی شبکیه و شب کوری همگی از آسیب هایی است که به شبکیه‎ی چشم وارد می شود. شب کوری نوعی بیماری ژنتیکی است که در مراحل اولیه ی بیماری، دید فرد بیمار در شب محدود می شود و در صورت عدم کنترل بیماری، منجر به دید تونلی و در نهایت نابینایی بیمار می ‎گردد. لازم به ذکر است تاکنون درمان قطعی برای این بیماری کشف نشده است و تنها می توان شدت پیشرفت این بیماری را با تجویز برخی ویتامین ها و استفاده از عینک آفتابی کنترل کرد. یادگیری عمیق نقش بسیار مؤثری در بهبود تشخیص بیماری ها داشته و به عنوان یکی از شاخه های هوش مصنوعی، جایگاه ویژه ای در علوم پزشکی به خود اختصاص داده است. پیشرفت الگوریتم های یادگیری عمیق در تشخیص بیماری ها طی سالیان اخیر، توسط پزشکان و پژوهشگران مورد توجه قرار گرفته است. در تشخیص بیماری شب کوری با استفاده از شبکه ی عصبی عمیق کانولوشنی، تاکنون راه کارهای مختلفی برای بهبود عملکرد تشخیص بیماری، ارائه شده است و هرکدام دقت و تشخیص مختلفی، با توجه به نوع تصاویر استفاده شده در پژوهش را به همراه داشته است. پایگاه داده ی مورد استفاده ی شبکیه ی سالم و شبکیه ی مبتلا به بیماری شب کوری در این پژوهش، از تصاویر به دست آمده از طریق جستجو در سایت گوگل و تصاویر مراکز تصویر برداری جمع آوری گردیده است. تصاویر مربوط به شبکیه ی سالم نیز از سایت Kaggle جمع آوری شده است. زبان برنامه نویسی که در این پژوهش استفاده شده Python است. برنامه نویسی این پژوهش، در محیط Google Colaboratory انجام پذیرفته است. این پایان نامه با عنوان تشخیص بیماری شب کوری با استفاده از الگوریتم های یادگیری عمیق تهیه شده و برای دستیابی به طبقه بندی دقیق تر، از شبکه ی حافظه ی کوتاه مدت طولانی LSTM استفاده شده است. استفاده از روش ترکیب شبکه ی CNN با LSTM میانگین دقت 4/99 درصد را به دنبال داشته است که نسبت به سایر روش ها، عملکرد بهتری دارد.