تشخيص ديابت چشمي با استفاده از شبكه‌هاي عصبي كانولوشنال عميق

Deep Convolutional Neural Networks for Diabetic Retinopathy Screening

ديابت چشمي به عنوان يكي از عوارض مهم ديابت، باعث آسيب به شبكيه چشم بيمار شده و تشخيص ديرهنگام آن حتي مي­تواند موجب نابينايي گردد. برخي از روش­هاي دسته­بندي مبتني بر يادگيري ماشين بر اساس استخراج داده­ هاي تصاوير شبكيه به ­صورت دستي بوده و توسط متخصصين پردازش تصوير صورت مي­پذيرد. در سال‌هاي اخير روشي جديد براي تشخيص و طبقه­ بندي تصاوير شبكيه چشم بدون نياز به استخراج ويژگي­ هاي آن به­صورت دستي مبتني بر شبكه ­هاي عصبي كانولوشنال (CNN) ارائه شده است. در زمينه تشخيص و تصويربرداري پزشكي، به علت كمبود داده ­هاي طبقه ­بندي شده و زمان­بر بودن فرآيند آموزش تا يك همگرايي مناسب، آموزش يك شبكه CNN از ابتدا دشوار بوده بنابراين يك روش متداول براي آموزش شبكه ­هاي CNN در حوزه پزشكي، بر اساس تنظيم مجدد شبكه­ هاي از پيش آموزش يافته، مي­باشد. براي اين منظور در اين مقاله، شبكه­ از پيش آموزش داده شده­ گوگل­نت (GoogLeNet) به عنوان يكي از قوي­ترين شبكه­ هاي عصبي كانولوشنال بر روي تصاوير شبكيه چشم بانك اطلاعات چشم پزشكي كگل (Kaggle Database) جهت تشخيص رتينوپاتي ديابتي اعمال مي­شود. همچنين جهت ارزيابي كلينيكي ساختار پيشنهادي، شبكه آموزش ديده جهت تشخيص ديابت چشمي بر روي 101 تصوير شبكيه از كلينيك تخصصي چشم­ پزشكي نويد ديدگان با موفقيت اعمال ­گرديد.

Diabetic Retinopathy (DR) is one of the major complications of Diabetes, which is the injury to the retina of the diabetic patient and causes blindness if not diagnosed in early stages. Various machine learning classification and clustering approaches have been studied in literature with the purpose of improving the accuracy of the screening methods. Some of machine learning classification and clustering approaches are based on manually feature extraction of fundus images by image processing experts. In recent years, a new approach for image classification and diagnosis without using any manual feature extraction is proposed based on convolutional neural network (CNN). In medical imaging and diagnosis, training a deep CNN from scratch is difficult because it requires a large amount of labeled training data and the training procedure is a time consuming task to ensure proper convergence. Therefore, a very common method to train CNNs for medical diagnosis is fine-tuning a pre-trained CNN. In this paper, the pre-trained GoogleNet as a powerful CNN is employed on the Kaggle database for DR diagnosis from retinal images. To assess the efficacy of the clinical results, the proposed CNN algorithm is performed to diagnose DR from the images that are gathered from the the Navid-Didegan ophthalmology clinic.