فایل ورد کامل سیستم مبتنی بر اثر کلی برای غربالگری اتوماتیک رتینوپاتی دیابتی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل سیستم مبتنی بر اثر کلی برای غربالگری اتوماتیک رتینوپاتی دیابتی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۴۲ صفحه

در این مقاله، روش مبتنی بر اثر کلی برای غربالگری رتینوپاتی دیابتی (DR) پیشنهاد می شود. این روش براساس ویژگی های برگرفته از نتایج چندین الگوریتم پردازش تصویر شبکیه ای چشم، از قبیل سطح-تصویر (ارزیابی کیفیت، پیش غربالگری، AM/FM)، ضایعه خاص (میکروآنوریسم ها، ترشحات التهابی) و اجزای تشریحی چشم (ماکولا (لکه)، نقطه کور (دیسک چشمی)) است. بنابراین با استفاده از اثر کلی دسته بندی کننده های فراگیری ماشین، تصمیم واقعی درباره وجود بیماری گرفته می شود. ما روش خود را بر روی پایگاه داده Messidor که بصورت عمومی در دسترس است تست نموده ایم. نتایج به دست آمده نشان می دهند که روش پیشنهادی دارای ۹۰% میزان حساسیت، ۹۱% عملکرد اختصاصی و ۹۰% دقت و ۰.۹۸۹ AUC در وضعیت بیماری/غیربیماری است. این نتایج در این حوزه بسیار رقابت آمیز هستند و نشان می دهند که پردازش تصویر شبکیه ای چشم روش معتبری برای غربالگری اتوماتیک DR است.

کلمات کلیدی: رتینوپاتی دیابتی | یادگیری اثر کلی | تصمیم گیری | فراگیری ماشین

عنوان انگلیسی:

An ensemble-based system for automatic screening of diabetic retinopathy

~~en~~ writers :

Balint Antal, Andras Hajdu

In this paper, an ensemble-based method for the screening of diabetic retinopathy (DR) is proposed. This approach is based on features extracted from
the output of several retinal image processing algorithms, such as imagelevel (quality assessment, pre-screening, AM/FM), lesion-specific (microaneurysms, exudates) and anatomical (macula, optic disc) components. The
actual decision about the presence of the disease is then made by an ensemble
of machine learning classifiers. We have tested our approach on the publicly
available Messidor database, where 90% sensitivity, 91% specificity and 90%
accuracy and 0.989 AUC are achieved in a disease/no-disease setting. These
results are highly competitive in this field and suggest that retinal image
processing is a valid approach for automatic DR screening.

Keywords: Diabetic retinopathy | Ensemble learning | Decision making | Machine learning

$$en!!