دیابت چشمی به عنوان یکی از عوارض مهم دیابت، باعث آسیب به شبکیه چشم بیمار شده و تشخیص دیرهنگام آن حتی می­تواند موجب نابینایی گردد. برخی از روش­های دسته­بندی مبتنی بر یادگیری ماشین بر اساس استخراج داده­های تصاویر شبکیه به ­صورت دستی بوده و توسط متخصصین پردازش تصویر صورت می­پذیرد. در سال‌های اخیر روشی جدید برای تشخیص و طبقه­بندی تصاویر شبکیه چشم بدون نیاز به استخراج ویژگی­های آن به­صورت دستی مبتنی بر شبکه­های عصبی کانولوشنال (CNN) ارائه شده است. در زمینه تشخیص و تصویربرداری پزشکی، به علت کمبود داده­های طبقه­بندی شده و زمان­بر بودن فرآیند آموزش تا یک همگرایی مناسب، آموزش یک شبکه CNN از ابتدا دشوار بوده بنابراین یک روش متداول برای آموزش شبکه­های CNN در حوزه پزشکی، بر اساس تنظیم مجدد شبکه­های از پیش آموزش یافته، می­باشد. برای این منظور در این مقاله، شبکه­ از پیش آموزش داده شده­ گوگل­نت (GoogLeNet) به عنوان یکی از قوی­ترین شبکه­های عصبی کانولوشنال بر روی تصاویر شبکیه چشم بانک اطلاعات چشم پزشکی کگل (Kaggle Database) جهت تشخیص رتینوپاتی دیابتی اعمال می­شود. همچنین جهت ارزیابی کلینیکی ساختار پیشنهادی، شبکه آموزش دیده جهت تشخیص دیابت چشمی بر روی 101 تصویر شبکیه از کلینیک تخصصی چشم­پزشکی نوید دیدگان با موفقیت اعمال ­گردید.

کلمات کلیدی