Numer: 05/2025 Str. 71
Autorzy: V. Krishnamoorthy , S. Logeswari , S. Sivanantham , V. Akshaya , K. Ganagavalli , V. Mohanraj :
Tytuł: Wykrywanie jaskry poprzez segmentację tarczy nerwu wzrokowego i obszaru kielicha przy użyciu ulepszonego algorytmu u-net i klasyfikacji
Streszczenie: Jaskra, która jest głównym czynnikiem przyczyniającym się do nieodwracalnej ślepoty na całym świecie, dotyka milionów ludzi każdego roku. Aby zapobiec utracie wzroku, kluczowe znaczenie ma wczesne wykrycie poprzez precyzyjną diagnozę. W tej pracy oferujemy hybrydowe podejście do głębokiego uczenia się do przewidywania jaskry, które łączy podejścia do uczenia zespołowego z konwolucyjnymi sieciami neuronowymi (CNN). Metoda łączy w sobie wykorzystanie MobileNet V2 i ResNet-18 do klasyfikacji z ulepszonym modelem U-Net, który obejmuje szczątkowe połączenia i mechanizmy uwagi do segmentacji obrazu. Aby zwiększyć dokładność predykcji, nasz system hybrydowy wykorzystuje zalety zarówno segmentacji tarczy optycznej, jak i klasyfikatorów opartych na CNN. Aby utrzymać wydajność obliczeniową i zgodność z wymogami prywatności danych, model jest optymalizowany dzięki zastosowaniu zaawansowanych technik, takich jak AdamW, cykliczne harmonogramy szybkości uczenia się i stochastyczne uśrednianie wag. Tutaj przeanalizowaliśmy różne wskaźniki wydajności, takie jak dokładność, czułość, swoistość, współczynnik kostki, indeks Jaccarda, wynik F1 dla metod konwencjonalnych i architektura Res-U-Net (Improved U-Net). W tym przypadku architektura Res-U-Net (Improved U-Net) osiąga dokładność 0,93 przy 80% danych treningowych. Hybrydowe podejście do głębokiego uczenia się do przewidywania jaskry, które łączy podejścia do uczenia zespołowego z konwolucyjnymi sieciami neuronowymi (CNN).
Słowa kluczowe: Przewidywanie jaskry, konwolucyjne sieci neuronowe (CNN), segmentacja obrazu, model U-Net, techniki uczenia zespołowego