طبقه بندی گلوکوم بر اساس الگوریتم بهینه سازی ملخ و شبکه باور عمیق

این پژوهش یک سیستم جدید شناسایی گلوکوم را از تصاویر فوندوس شبکیه چشم را از طریق الگوریتم بهینه‌سازی ملخ (goa) و شبکه باور عمیق (dbn) پیشنهاد می­کند. در ابتدا، تصویر ورودی مراحل پیش پردازش و حذف نویز را طی می­کنند، سپس تصاویر تحت پارامتر دیسک نوری (od) و فنجان نوری (oc) تقسیم بندی شده و در ادامه ویژگی های ساختاری، شدت و ویژگی­ های بافت استخراج می­شوند. سپس اکثر ویژگی­ های متمایز با استفاده ازالگوریتم (relief) و برای طبقه بندی به گلوکوماتوز به شبکه باور عمیق منتقل می­شوند. پارامترهای شبکه باور عمیق توسط الگوریتم بهینه‌سازی ملخ به خوبی تنظیم می­شوند. این مدل بر روی مجموعه داده ­های عمومی و خصوصی با تعداد 7280 تصویر آزمایش شده و به حداکثر رسیده است. در این مطالعه نرخ طبقه بندی 99.4٪، ویژگی 100٪ ، و حساسیت 99.89٪ بدست آمده است. اعتبار سنجی متقابل اشتباه 10 برابری در طبقه­ بندی را کاهش داده و به دقت 98.5 درصد دست می­یابد. روش پیشنهادی به منظور کمک به تشخیص بهتر گلوکوم در پیشگیری از جهت گیری، تنوع مجموعه داده ها و کاهش پارامتر مثبت کاذب در مقایسه با نمونه های مشابه، سیستم پیشنهادی طبقه بندی گلوکوم را بر روی مجموعه داده های مختلف آزمایش کرده و در نهایت نتایج بهینه تری را نسبت به سایر روش ­های مشابه بدست می­ آورد.