دانلود مقاله تشخیص گلوکوم به کمک هوش مصنوعی کامپیوتر با تصاویر فوندوس شبکیه
ترجمه نشده

دانلود مقاله تشخیص گلوکوم به کمک هوش مصنوعی کامپیوتر با تصاویر فوندوس شبکیه

عنوان فارسی مقاله: تشخیص گلوکوم به کمک کامپیوتر مبتنی بر هوش مصنوعی با استفاده از تصاویر فوندوس شبکیه
عنوان انگلیسی مقاله: Artificial Intelligence-based computer-aided diagnosis of glaucoma using retinal fundus images
مجله/کنفرانس: سیستم های خبره با برنامه های کاربردی - Expert Systems with Applications
رشته های تحصیلی مرتبط: مهندسی کامپیوتر - پزشکی
گرایش های تحصیلی مرتبط: مهندسی نرم افزار - هوش مصنوعی - چشم پزشکی - بینایی سنجی
کلمات کلیدی فارسی: هوش مصنوعی - کاپ اپتیک و تقسیم دیسک بینایی - غربالگری گلوکوم - تشخیص به کمک کامپیوتر - SLS-Net و SLSR-Net
کلمات کلیدی انگلیسی: Artificial intelligence - Optic cup and optic disc segmentation - Glaucoma screening - Computer-aided diagnosis - SLS-Net and SLSR-Net
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.eswa.2022.117968
نویسندگان: Adnan Haider - Muhammad Arsalan - Min Beom Lee - Muhammad Owais - Tahir Mahmood - Haseeb Sultan - Kang Ryoung Park
دانشگاه: Division of Electronics and Electrical Engineering, Dongguk University, Republic of Korea
صفحات مقاله انگلیسی: 25
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2022
ایمپکت فاکتور: 9.602 در سال 2020
شاخص H_index: 225 در سال 2022
شاخص SJR: 2.070 در سال 2020
شناسه ISSN: 0957-4174
شاخص Quartile (چارک): Q1 در سال 2020
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
آیا این مقاله مدل مفهومی دارد: دارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا این مقاله فرضیه دارد: ندارد
کد محصول: e16765
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست مطالب (ترجمه)

خلاصه

1. مقدمه

2. کارهای مرتبط

3. روش های پیشنهادی

4. نتایج تجربی

5. نتیجه گیری

بیانیه مشارکت نویسنده CRediT

اعلامیه منافع رقابتی

قدردانی ها

منابع

فهرست مطالب (انگلیسی)

Abstract

1. Introduction

2. Related work

3. Proposed methods

4. Experimental results

5. Conclusion

CRediT authorship contribution statement

Declaration of Competing Interest

Acknowledgments

References

بخشی از مقاله (ترجمه ماشینی)

چکیده

     گلوکوم یکی از شایع ترین بیماری های مزمن است که ممکن است منجر به کاهش بینایی غیرقابل برگشت شود. انتظار می رود در آینده نزدیک تعداد بیمارانی که بینایی دائمی خود را از دست می دهند به دلیل گلوکوم افزایش یابد. تعداد قابل توجهی از تحقیقات در مورد تشخیص به کمک کامپیوتر برای گلوکوم در حال انجام است. تقسیم بندی کاپ بینایی (OC) و دیسک بینایی (OD) معمولاً برای تشخیص موارد گلوکوماتوز و غیر گلوکوماتوز در تصاویر فوندوس شبکیه انجام می شود. با این حال، مرزهای OC کاملاً غیر متمایز هستند. در نتیجه، تقسیم بندی دقیق OC به طور قابل ملاحظه ای چالش برانگیز است، و عملکرد بخش بندی OD نیز باید بهبود یابد. برای غلبه بر این مشکل، ما دو شبکه، شبکه تقسیم‌بندی پیوندی قابل تفکیک (SLS-Net) و شبکه باقیمانده تقسیم‌بندی پیوندی قابل جداسازی (SLSR-Net) را برای تقسیم‌بندی دقیق پیکسلی OC و OD پیشنهاد می‌کنیم. در SLS-Net و SLSR-Net، یک نقشه ویژگی نهایی بزرگ را می توان در شبکه های ما حفظ کرد، که با به حداقل رساندن از دست دادن اطلاعات مکانی، عملکرد بخش بندی OC و OD را افزایش می دهد. SLSR-Net از اتصالات باقیمانده خارجی برای توانمندسازی ویژگی ها استفاده می کند. هر دو شبکه پیشنهادی شامل یک پیوند کانولوشنی قابل تفکیک برای افزایش کارایی محاسباتی و کاهش هزینه شبکه هستند. حتی با چند پارامتر قابل آموزش، معماری پیشنهادی قادر به ارائه دقت بخش‌بندی بالایی است.

توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.

بخشی از مقاله (انگلیسی)

Abstract

     Glaucoma is one of the most common chronic diseases that may lead to irreversible vision loss. The number of patients with permanent vision loss due to glaucoma is expected to increase at an alarming rate in the near future. A considerable amount of research is being conducted on computer-aided diagnosis for glaucoma. Segmentation of the optic cup (OC) and optic disc (OD) is usually performed to distinguish glaucomatous and non-glaucomatous cases in retinal fundus images. However, the OC boundaries are quite non-distinctive; consequently, the accurate segmentation of the OC is substantially challenging, and the OD segmentation performance also needs to be improved. To overcome this problem, we propose two networks, separable linked segmentation network (SLS-Net) and separable linked segmentation residual network (SLSR-Net), for accurate pixel-wise segmentation of the OC and OD. In SLS-Net and SLSR-Net, a large final feature map can be maintained in our networks, which enhances the OC and OD segmentation performance by minimizing the spatial information loss. SLSR-Net employs external residual connections for feature empowerment. Both proposed networks comprise a separable convolutional link to enhance computational efficiency and reduce the cost of network. Even with a few trainable parameters, the proposed architecture is capable of providing high segmentation accuracy.

Introduction

     Glaucoma has become one of the major causes of vision loss, and in this disease, the optic nerve head (ONH) is damaged (Tham et al., 2014). Glaucoma causes gradual vision loss, and the patient has no abrupt considerable symptoms; hence, its early detection and screening are crucial. Many advanced imaging methods are employed by experts for retinal disease diagnosis and assessment. Fundus imaging is widely used in glaucoma detection tasks because it is fast, affordable, and non-invasive (Edupuganti et al., 2018). Color fundus imaging best serves the glaucoma detection in both advanced glaucoma or early glaucoma detection cases (Ahn et al., 2018). Fundus imaging also enables researchers and experts for computational analysis like cup-to-disc ratio (CDR) computation which significantly helps in glaucoma detection (Orlando et al., 2020).

     Several methods have been used for the assessment of glaucoma; however, owing to numerous clinical and resource problems, they could not fill the gap of its early diagnosis (Baum et al., 1995). Compared to other methods, the ONH assessment is more commonly used. Automated ONH assessment methods are gaining popularity over manual methods these days because the

Conclusion

     In this research, we proposed deep learning-based novel models, SLS-Net and SLSR-Net, to segment OD and OC for glaucoma screening. SLSR-Net is the final proposed model that maintains a large final feature map size throughout the network to avoid spatial information loss of even minor features. Memory requirements are one of the major limitations of computer-aided diagnosis. An SCL unit in our model minimizes this problem and significantly increases the computational efficiency of the network. External residual connections settle the feature degradation problem by empowering the features. Training and testing of the network is carried out without any preprocessing or postprocessing overhead. We extensively evaluated the proposed model on four publicly available datasets and achieved state-of-the-art performances compared with existing methods. There is a trade-off between segmentation performance and computational efficiency. Therefore, methods that achieve good segmentation performance usually use many parameters, which makes the network computationally expensive. In our network, good results are achieved by using only 4,666,950 trainable parameters, which confirms the outstanding computational efficiency of the network compared to the state-of-the-art methods.