عنوان

Automated retinopathy disease detection using ensemble learning based on inception and resnet

Number

T27914

.Language of Text, Soundtrack etc

انگلیسی

Title Proper

Automated retinopathy disease detection using ensemble learning based on inception and resnet

General Material Designation

Dissertation

First Statement of Responsibility

Muhanned Abd Raji Al-bacha

Name of Publisher, Distributor, etc.

Electrical and Computer Engineering

Date of Publication, Distribution, etc.

1401

Specific Material Designation and Extent of Item

72p.

Other Physical Details

cd

Dissertation or thesis details and type of degree

M.S.

Discipline of degree

computer engineering, artificial intelligence

Date of degree

1401/09/01

Text of Note

The adoption of fundus images can provide a significant benefit for the diagnosis and management of diabetic retinal diseases (DR). Currently, the detection of DR is challenging due to wide variations of shape, texture, size and spatial location. Early detection and treatment of retinal disease are necessary in order to delay or avoid vision deterioration, vision loss and provide better control of the disease. Current diagnosis methods make decisions based on single scale deep learning models to encode features from the fundus images. However, such methods might ignore the important discriminative features found at different scales. Therefore, in this thesis, we proposed method react with 5 classes of DR which is Mild, Moderate, Severe, Proliferative and Normal. Kaggle APTOS dataset used to train a multilayer deep convolutional neural network (CNN) to differentiate fundus images between each type DR classes above. Hence, the work presented shows the benefits of implementing deep learning analysis to the problem of DR diagnosis either for timely referrals or for grading support.

Text of Note

اتخاذ تصاویر فوندوس می تواند مزایای قابل توجهی برای تشخیص و مدیریت بیماری های دیابتی شبکیه چشم (DR) داشته باشد. در حال حاضر، تشخیص DR به دلیل تنوع گسترده شکل، بافت، اندازه و موقعیت مکانی چالش برانگیز است. تشخیص و درمان زودهنگام بیماری شبکیه به منظور به تاخیر انداختن یا جلوگیری از زوال بینایی، از دست دادن بینایی و کنترل بهتر بیماری ضروری است. روش‌های تشخیص کنونی بر اساس مدل‌های یادگیری عمیق مقیاس تکی برای رمزگذاری ویژگی‌های تصاویر فوندوس تصمیم‌گیری می‌کنند. با این حال، چنین روش‌هایی ممکن است ویژگی‌های متمایز مهم موجود در مقیاس‌های مختلف را نادیده بگیرند. بنابراین، در این پایان نامه، روش واکنش با 5 کلاس DR که خفیف، متوسط، شدید، پرولیفراتیو و نرمال است را پیشنهاد کردیم. مجموعه داده Kaggle APTOS برای آموزش یک شبکه عصبی کانولوشن عمیق چندلایه (CNN) برای تمایز تصاویر فوندوس بین هر نوع کلاس DR در بالا استفاده شد. از این رو، کار ارائه شده مزایای اجرای تجزیه و تحلیل یادگیری عمیق را برای مشکل تشخیص DR برای ارجاع به موقع یا برای پشتیبانی درجه بندی نشان می دهد.

Variant Title

تشخیص خودکار بیماری رتینوپاتی با استفاده از یادگیری گروهی بر اساس شروع و بازنشانی

Subject Term

Retinopathy disease, Fundus, vision

Subject Term

بیماری رتینوپاتی، فوندوس، بینایی

Entry Element

Abd Raji Al-bacha,

Part of Name Other than Entry Element

Muhanned

Relator Code

Producer

Entry Element

Saleh pour,

Entry Element

Balaver,

Part of Name Other than Entry Element

Pedram

Part of Name Other than Entry Element

Muhammed

Relator Code

Thesis advisor

Relator Code

Consulting advisor

Entry Element

Tabriz

Country

ایران

Agency

Central Library of Tabriz University

Date of Transaction

20230125

Call Number

ارشد پایاننامه QA76.A23 1401

Electronic name

Muhanned Abd Raji Al-bacha

Contact for access assistance

عبادی

e

TL

276903

a

Y