25327

شبكه¬ي كانولوشني كدگذار – كدگشاي عميق چند مرحله¬اي براي قطعه¬بندي عروق خوني شبكيه چشم

كارشناسي ارشد

مهندسي كامپيوتر

1399

1400/04/02

دكتر محسن سرياني

مهندسي كامپيوتر

چشم فرصتي منحصر به فرد براي بازرسي غير تهاجمي بخش غني از رگ هاي خوني انسان را از طريق تصويربرداري شبكيه فراهم مي كند. قطعه بندي و طبقه بندي رگ هاي خوني شبكيه از مراحل اوليه تشخيص و ارزيابي خطر بيماري هاي عروقي و سيستميك است. تاكنون قطعه بندي عروق از نقطه نظر انطباق با نظر متخصصان در دقت تشخيص، مسيري طولاني را طي كرده است، با اين وجود همچنان امكان پيشرفت بيشتر در اين زمينه وجود دارد. در اين راستا، به طور كلي تشخيص دقيق عروق به دليل تغييرات زياد در كنتراست رگ، عرض رگ و ميزان نويز مشاهده شده، چالش برانگيز است. در اين پايان نامه، با استفاده از شبكه ي كانولوشني VGG-net و استفاده از مكانيزم ادغام چند مرحله اي خروجي هاي جانبي توليد شده از آن توسط ماژول هاي Inception مدلي جديد ارائه داده ايم كه در مدل پيشنهادي از اتصالات كوتاه نيز جهت انتقال اطلاعات معنايي در ميان خروجي هاي جانبي در جهت بهبود تصاوير توليد شده بهره برده ايم. ما مدل پيشنهادي خود را توسط دو مجموعه داده در دسترس به نام هاي DRIVE و STARE آزمايش نموديم و ميزان AUC حاصل برابر 0.9866 براي مدل شبكه آموزش ديده با داده هاي خام و 0.9878 براي مدل شبكه آموزش ديده با داده هاي پيش پردازش شده توسط روشCLAHE بدست آمد.

1400/07/10

1/1/1900 12:00:00 AM

The eye provides a unique opportunity for non-invasive inspection of the rich portion of human blood vessels through retinal imaging. Segmentation and classification of retinal blood vessels is one of the early stages in diagnosing and assessing the risk of vascular and systemic diseases. So far, vascular segmentation has come a long way in terms of conforming to specialists in diagnostic accuracy, however, further progress is still possible. In this regard, accurate diagnosis of arteries is generally challenging due to the large changes in vessel contrast, width, and noise observed. In this dissertation, we have combined the VGG-net convolutional network and the multi-stage integration mechanism of the side outputs generated by the Inception modules. Also we have used skip connections to transfer semantic information between side outputs to improve the images produced by the proposed model. We tested our proposed model with two general data sets; DRIVE and STARE and obtained an AUC of 0.9866 for the trained network model with raw data and 0.9878 for the trained network model with data preprocessed by the CLAHE method.

تصاوير قعرچشمي , قطعه بندي عروق خوني شبكيه , شبكه ي كانولوشي چند مرحله اي , ماژول هاي Inception

fundus images , blood vessel segmentation , multi-level convolution neural network , Inception modules