ترجمه فارسی مقاله تشخیص عمیق مبتنی بر یادگیری رتینوپاتی دیابتی ارجاعی و ادم ماکولا با استفاده از تصویربرداری فوندوس فوق گسترده

چکیده

Diabetic retinopathy and diabetic macular edema are significant complications of diabetes that can lead to vision loss. Early detection through ultra-widefield fundus imaging enhances patient outcomes but presents challenges in image quality and analysis scale. This paper introduces deep learning solutions for automated UWF image analysis within the framework of the MICCAI 2024 UWF4DR challenge. We detail methods and results across three tasks: image quality assessment, detection of referable DR, and identification of DME. Employing advanced convolutional neural network architectures such as EfficientNet and ResNet, along with preprocessing and augmentation strategies, our models demonstrate robust performance in these tasks. Results indicate that deep learning can significantly aid in the automated analysis of UWF images, potentially improving the efficiency and accuracy of DR and DME detection in clinical settings.

چکیده به فارسی (ترجمه ماشینی)

رتینوپاتی دیابتی و ورم ماکولا دیابتی عوارض قابل توجهی در دیابت است که می تواند منجر به از بین رفتن بینایی شود.تشخیص زودرس از طریق تصویربرداری فوق العاده گسترده ، نتایج بیمار را افزایش می دهد اما در مقیاس کیفیت تصویر و مقیاس تجزیه و تحلیل چالش هایی را ایجاد می کند.در این مقاله راه حل های یادگیری عمیق برای تجزیه و تحلیل خودکار تصویر UWF در چارچوب چالش Miccai 2024 UWF4DR ارائه شده است.ما روشها و نتایج را در سه کار شرح می دهیم: ارزیابی کیفیت تصویر ، تشخیص DR قابل مراجعه و شناسایی DME.با استفاده از معماری های پیشرفته شبکه عصبی پیچیده مانند کارآمد و Resnet ، به همراه استراتژی های پیش پردازش و تقویت ، مدل های ما عملکرد قوی را در این کارها نشان می دهند.نتایج نشان می دهد که یادگیری عمیق می تواند به طور قابل توجهی در تجزیه و تحلیل خودکار تصاویر UWF کمک کند ، به طور بالقوه باعث بهبود کارآیی و صحت تشخیص DR و DME در تنظیمات بالینی می شود.