طبقه بندي گلوكوم بر اساس الگوريتم بهينه سازي ملخ و شبكه باور عميق

اين پژوهش يك سيستم جديد شناسايي گلوكوم را از تصاوير فوندوس شبكيه چشم را از طريق الگوريتم بهينه‌سازي ملخ (GOA) و شبكه باور عميق (DBN) پيشنهاد مي­كند. در ابتدا، تصوير ورودي مراحل پيش پردازش و حذف نويز را طي مي­كنند، سپس تصاوير تحت پارامتر ديسك نوري (OD) و فنجان نوري (OC) تقسيم بندي شده و در ادامه ويژگي هاي ساختاري، شدت و ويژگي­ هاي بافت استخراج مي­شوند. سپس اكثر ويژگي­ هاي متمايز با استفاده ازالگوريتم (Relief) و براي طبقه بندي به گلوكوماتوز به شبكه باور عميق منتقل مي­شوند. پارامترهاي شبكه باور عميق توسط الگوريتم بهينه‌سازي ملخ به خوبي تنظيم مي­شوند. اين مدل بر روي مجموعه داده ­هاي عمومي و خصوصي با تعداد 7280 تصوير آزمايش شده و به حداكثر رسيده است. در اين مطالعه نرخ طبقه بندي 99.4٪، ويژگي 100٪ ، و حساسيت 99.89٪ بدست آمده است. اعتبار سنجي متقابل اشتباه 10 برابري در طبقه­ بندي را كاهش داده و به دقت 98.5 درصد دست مي­يابد. روش پيشنهادي به منظور كمك به تشخيص بهتر گلوكوم در پيشگيري از جهت گيري، تنوع مجموعه داده ها و كاهش پارامتر مثبت كاذب در مقايسه با نمونه هاي مشابه، سيستم پيشنهادي طبقه بندي گلوكوم را بر روي مجموعه داده هاي مختلف آزمايش كرده و در نهايت نتايج بهينه تري را نسبت به ساير روش ­هاي مشابه بدست مي­ آورد.