موسسه آموزش عالی آپادانا فصلنامه پیشرفت های مهندسی در حوزه پزشکی و مواد - Development of an Engineering System for Diabetic Retinopathy Detection by Integrating Machine Learning and Biocompatible Materials in Retinal Imaging توسعه سامانه مهندسی تشخیص رتینوپاتی دیابتی با ترکیب یادگیری ماشین و مواد زیست‌سازگار در تصویربرداری شبکیه 10.22051/jera.2021.31891.2698 FA محمدجواد گروه مهندسی کامپیوتر، واحد استهبان، دانشگاه آزاد اسلامی Diabetic Retinopathy (DR) stands as a prevalent complication of diabetes and a leading cause of preventable blindness globally. Early and accurate detection of DR is crucial for halting its progression and preserving vision. While traditional diagnostic methods offer reasonable accuracy, they are often hampered by challenges such as being time-consuming, expensive, and reliant on the limited expertise of specialists. Consequently, the development of automated and intelligent diagnostic systems, leveraging novel engineering technologies, has become imperative. This research focuses on the development of an integrated engineering system that merges machine learning with cutting-edge principles in biocompatible materials and advanced retinal imaging techniques. The primary objective is to enhance the accuracy and speed of DR detection and severity classification using retinal fundus images. For this study, we have utilized the APTOS 2019 dataset, which comprises diverse images across five severity grades of the disease. Image preprocessing steps, including normalization and dimension standardization, have been performed, considering the characteristics of materials and sensors employed in imaging devices (although specific material details are not elaborated in this initial abstract, the overall approach leans in this direction). For precise feature extraction and classification, an advanced Convolutional Neural Network (CNN) architecture, specifically EfficientNet-B4, known for its transfer learning capabilities and high-level feature extraction prowess, has been employed. The final layers of the network have been optimized for the multi-class classification task of DR grading. A key innovation in this research lies in the synergistic integration of material engineering concepts (even at a conceptual level related to imaging quality) with deep learning models to elevate system performance. Preliminary results demonstrate promising performance in detecting and differentiating various DR severity levels, underscoring the potential of this engineered system as an effective tool in clinical decision support systems. This approach signifies a significant step towards offering novel and more accessible solutions for eye health. سیستم‌های رتینوپاتی دیابتی (DR) یکی از عوارض شایع دیابت و عامل اصلی نابینایی قابل پیشگیری در سطح جهانی است. تشخیص زودهنگام و دقیق این بیماری برای جلوگیری از پیشرفت آن و حفظ بینایی حیاتی است. روش‌های تشخیصی سنتی، علی‌رغم دقت، با چالش‌هایی نظیر زمان‌بر بودن، هزینه بالا و وابستگی به تخصص محدود پزشکان روبرو هستند. لذا، توسعه سامانه‌های خودکار و هوشمند تشخیص، با بهره‌گیری از فناوری‌های نوین مهندسی، امری ضروری است. این پژوهش به توسعه یک سامانه مهندسی یکپارچه می‌پردازد که یادگیری ماشین را با اصول نوین در حوزه مواد زیست‌سازگار و تکنیک‌های پیشرفته تصویربرداری شبکیه ترکیب می‌کند. هدف اصلی، ارتقاء دقت و سرعت در تشخیص و طبقه‌بندی شدت رتینوپاتی دیابتی با استفاده از تصاویر فوندوس شبکیه است. در این مطالعه، ما از مجموعه‌داده APTOS 2019، که شامل تصاویر متنوعی از سطوح پنج‌گانه شدت بیماری است، بهره برده‌ایم. مراحل پیش‌پردازش تصویر شامل نرمال‌سازی و یکسان‌سازی ابعاد، با در نظر گرفتن ویژگی‌های مواد و سنسورهای به‌کار رفته در دستگاه‌های تصویربرداری (اگرچه در این چکیده اولیه جزئیات مواد ذکر نشده، اما رویکرد کلی به این سمت است)، انجام شده است. برای استخراج ویژگی‌های دقیق و انجام طبقه‌بندی، از معماری پیشرفته شبکه عصبی کانولوشنی EfficientNet-B4، که قابلیت یادگیری انتقالی و استخراج ویژگی‌های سطح بالا را دارد، استفاده شده است. لایه‌های نهایی شبکه برای وظیفه طبقه‌بندی چندکلاسه (پنج گرید DR) بهینه‌سازی شده‌اند. جنبه نوآوری این پژوهش در تلفیق رویکردهای مهندسی مواد (حتی در سطح مفاهیم مرتبط با کیفیت تصویربرداری) با مدل‌های یادگیری عمیق برای بهبود عملکرد سیستم تشخیص است. نتایج اولیه نشان‌دهنده عملکرد امیدوارکننده‌ای در تشخیص و تفکیک سطوح مختلف رتینوپاتی دیابتی است، که بر پتانسیل این سامانه مهندسی به‌عنوان ابزاری کارآمد در سیستم‌های پشتیبان تصمیم‌گیری بالینی تأکید دارد. این رویکرد می‌تواند گامی مهم در جهت ارائه راهکارهای نوین و قابل دسترس‌تر برای سلامت چشم باشد. /downloadfilepdf/29502