شماره کتابشناسی ملی
شماره
T27914
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
انگلیسی
عنوان و نام پديدآور
عنوان اصلي
Automated retinopathy disease detection using ensemble learning based on inception and resnet
نام عام مواد
Dissertation
نام نخستين پديدآور
Muhanned Abd Raji Al-bacha
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
Electrical and Computer Engineering
تاریخ نشرو بخش و غیره
1401
مشخصات ظاهری
نام خاص و کميت اثر
72p.
ساير جزييات
cd
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
M.S.
نظم درجات
computer engineering, artificial intelligence
زمان اعطا مدرک
1401/09/01
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
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.
متن يادداشت
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.
عنوانهای گونه گون دیگر
عنوان گونه گون
تشخیص خودکار بیماری رتینوپاتی با استفاده از یادگیری گروهی بر اساس شروع و بازنشانی
اصطلاحهای موضوعی کنترل نشده
اصطلاح موضوعی
Retinopathy disease, Fundus, vision
اصطلاح موضوعی
بیماری رتینوپاتی، فوندوس، بینایی
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
عنصر شناسه اي
Abd Raji Al-bacha,
ساير عناصر نام
Muhanned
کد نقش
Producer
نام شخص - ( مسئولیت معنوی درجه دوم )
عنصر شناسه اي
Saleh pour,
عنصر شناسه اي
Balaver,
ساير عناصر نام
Pedram
ساير عناصر نام
Muhammed
کد نقش
Thesis advisor
کد نقش
Consulting advisor
شناسه افزوده (تنالگان)
عنصر شناسه اي
Tabriz
مبدا اصلی
کشور
ایران
سازمان
Central Library of Tabriz University
تاريخ عمليات
20230125
شماره دستیابی
شماره بازیابی
ارشد پایاننامه QA76.A23 1401
دسترسی و محل الکترونیکی
نام الکترونيکي
Muhanned Abd Raji Al-bacha
ارتباط براي تسهيلات دسترسي
عبادی
وضعیت انتشار
فرمت انتشار
e
اطلاعات رکورد کتابشناسی
نوع ماده
TL
کد کاربرگه
276903
اطلاعات دسترسی رکورد
سطح دسترسي
a
تكميل شده
Y
