تاثیر به‌کارگیری مدل‌های رقابتی مولد عمیق در تعیین درجه رتینوپاتی دیابتی

زمینه و اهداف: تشخیص زودهنگام رتینوپاتی دیابتی در نیروهای نظامی می‌تواند موجب جلوگیری از کاهش عملکرد این نیروها و یا ممانعت از بروز خطاهای عملیاتی شود. به‌کارگیری یک روش خودکار و بهینه جهت تشخیص درجه بیماری از روی تصاویر شبکیه، در پیشگیری از حاد شدن بیماری کمک کننده است. هدف این مقاله ارائه روشی نو در تعیین پرولیفراتیو، مبتنی بر تجزیه‌ و تحلیل داده‌ها از طریق تکنیک‌های یادگیری ‌عمیق در هوش مصنوعی است. روش بررسی: در این مطالعه که در سال 1397-1399 انجام شد از روشی نوین در رده‌بندی 35,126 تصویر پزشکی بر روی مجموعه داده‌های قابل‌دسترس از سایت کاگل مربوط به بیمارستانی در کشور انگلستان، استفاده شد. برای ایجاد توازن بین سطوح، ابتدا با کمک مدل رقابتی‌مولد‌عمیق، تعداد کلاس‌های کم تعداد را افزایش‌ داده، سپس با استفاده از یک رده‌بند طراحی‌شده، تعیین درجه رتینوپاتی دیابتی، به طرق مختلف، انجام‌گرفت.یافته‌ها: با استفاده از‌ مدل‌ مولد عمیق طراحی‌شده، دقت رده‌بندی حدود 87% به دست آمد که نسبت به برترین کارهای مشابه، حدود 7% بهبود داشت. ضمناً با توزیع مدل، کارایی خودکارسازی نیز به میزان 60% بهبود نشان داد. نتیجه‌گیری: با رفع مشکل عدم توازن سطوح مختلف رتینوپاتی، از طریق تولید تصاویر جدید با استفاده از مدل‌ مولد عمیق طراحی‌شده و توزیع عملیات مذکور، ضمن افزایش کارایی، دقت بهینه نیز حاصل‌شده است. لذا از این راهکار نوین می‌توان جهت خودکارسازی تشخیص درجه رتینوپاتی بهره برد. 

effect of deep generative adversarial networks models in determining the degree of diabetic retinopathy

background and aims: early detection of diabetic retinopathy in the military forces can prevent their performance reduction or avoid the occurrence of operational errors. so an automated and optimal method to diagnose the degree of disease from retinal images is valuable in the prevention of acute phases. the purpose of this article is to present a new method in determining of proliferation based on the deep generative adversarial networks models (gans).methods: in this study, which was conducted in 2018-2019, a new method was used to classify 35,126 medical images on the data set available from the kagel site related to a hospital in the uk. to create a balance between levels, first with the help of a deep gan, the number of small classes was increased, then using a designed classifier, the degree of disease was determined in different ways.results: using the designed gan, an accuracy of about 87% was obtained for classification, which was about 7% more than the best similar works. in addition, with the distribution of the model, the efficiency of automation also showed an improvement of 60%.conclusion: by solving the problem of imbalance between different levels of retinopathy, by producing new images using the designed gan and distributing the mentioned operations, while increasing the performance, optimal accuracy has been obtained. therefore, this new strategy can be used to automate the diagnosis of diabetic retinopathy.