Ko‘z kasalliklarida fundus kamera tasvirlari sifatini baholash va segmentatsiyalash algoritmlari

Боковая панель статьи

PDF
Опубликован: Dec 30, 2024
DOI: https://doi.org/10.62132/ijdt.v7i4.222
Ключевые слова:
Fundus kamera, ko‘z kasalliklari, to‘r parda, diabetik retinopatiya, raqamli tasvir, tasvir sifatini baholash, U-Net, segmentlash

Основное содержимое статьи

N. Mirzayev
НИИ Развития цифровых технологий и искусственного интеллекта
X.G. Shamsiyeva
НИИ Развития цифровых технологий и искусственного интеллекта

Аннотация

Ushbu tadqiqot ishida tasvirni qayta ishlashda kompleks yondashuvlar, segmentlashda mashinali o‘qitish algoritmlaridan foydalanish, U-Net usuli turli to‘r parda kasalliklari diagnostikasida yuqori aniqlikka erishishda yordam berishi taklif qilingan va fundus tasvirlarini qayta ishlash va segmentlashning zamonaviy usullari tahlili keltirilgan. Ushbu yo‘nalish bo‘yicha fundus tasvirlar yordamida olib borilgan ilmiy-tadqiqot ishlari tahlili bajarilgan. Natijalarni olishda DIARETDB1 ma’lumotlar to‘plamidagi fundus tasvirlarni qayta ishlashda hamda segmentlashda U-Net usuli samarali natijalarni berishi tajribasi o‘tkazilgan.

Информация о статье

Как цитировать
Mirzayev, N., & Shamsiyeva, X. (2024). Ko‘z kasalliklarida fundus kamera tasvirlari sifatini baholash va segmentatsiyalash algoritmlari. Международный Журнал Теоретических и Прикладных Вопросов Цифровых Технологий, 7(4), 73–79. https://doi.org/10.62132/ijdt.v7i4.222
Выпуск
Том 7 № 4 (2024): Международный журнал теоретических и прикладных вопросов цифровых технологий
Раздел
Articles
Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Библиографические ссылки

Emma Pead, R.M. (2019). Automated detection of age-related macular degeneration in color fundus photography: a systematic review. Survey of Ophthalmology 64, 498-511.

Хант, Э.Б. (1978). Искусственный интеллект. Перевод с английского Д. А. Белова и Ю. И. Крюкова. Москва: М.: Мир, 558 с.

Аркадьев А.Г., Б. Э. (1971). Обучение машины классификации объектов. Москва: М.: Наука, 192 с.

Киркоров, С.И. (2019). Цифровая обработка речи и изображения. Минск: Колорград – 236 с.

Md Mohaimenul Islama, H.-C. Y.-S.-C. (2020). Deep learning algorithms for detection of diabetic retinopathy in retinal fundus photographs: A systematic review and meta-analysis. Computer Methods and Programs in Biomedicine 191, 105320, 14-28.

Киркоров, С.И. (2020). Компьютерное зрение и распознавание образов. Минск: Колорград, 384 с.

Киселев, Н.В. (1986). Методы построения систем распознавания и классификации негауссовских сигналов. Ленинград: Издательство Ленинградского университета, 188 с.

Renátó Besenczi, J.T. (2015). A review on automatic analysis techniques for color fundus photographs. Computational and Structural Biotechnology journal 14, 371-384 p.

Аттетков А.В., Г.С. (2003). Методы оптимизации. Москва: Изд-во МГТУ им. Н.Э. Баумана, 440 с.

Shavkat Fazilov, O.M. (2023). Model of Recognition Algorithms for Objects Specified as Images. International Conference on Advanced Computer Information Technologies (ACIT), 28-36.

Старовойтов В.В., Г.Ю. (2021). Оценка качества цифровых изображений сетчатки. Системный анализ и прикладная математика (4), 25-38 стр.

Растригин Л.А., М.Н. (1977). Введение в идентификацию объектов управления. Москва: М.: Энергия, 216 стр.

Shahzaib Iqbal, T.M. (2022). Recent trends and advances in fundus image analysis: A review. Computers in Biology and Medicine, 1-54 p.

Brittney J. Palermo, S.L. (2022). Sensitivity and specificity of handheld fundus cameras for eye disease: A systematic review and pooled analysis. Survey of ophthalmology 67, 1531-1539.