چکیده

مقدمه: الگوریتم­های یادگیری عمیق به دقت بالایی برای تشخیص بیماری­های شبکیه­ی چشم از روی تصاویر‌ دست پیدا کرده­اند. از طرفی، این الگوریتم­ها دارای نقطه ضعف­هایی در کاربردهای عملی در حوزه پزشکی هستند. پیچیدگی محاسباتی، نیاز به دیتابیس حجیم، نامعلوم بودن جزییات در لایه­های شبکه از جمله آنهاست. WST‌ (Wavelet Scattering Transform) یک نوع شبکه عصبی پیچشی است که از مزایای شبکه عمیق استفاده می­کند و سعی در ارتقا نقاط ضعف آن دارد. در این شبکه، از فیلترهای ویولت استفاده می­شود. این الگوریتم، دارای سرعت بالاست و جزییات هر لایه کاملا مشخص است. در تحقیقات قبلی، این شبکه در تشخیص بیماریهای شبکیه از روی تصاویر OCT‌، دقت خوبی از خود نشان داده است. 

روش‌پژوهش: در این طرح، برای ارتقا دقت تشخیص در روشهای مبتنی بر WST، تلاش می­کنیم تا موجک های مناسب­تری در هر لایه برای استخراج ویژگیها از تصاویر بدست آوریم. همچنین، به دنبال بهینه کردن پارامترهای دیگری که در این شبکه وجود دارند، برای ارتقا نتایج و افزایش سرعت هستیم. 

یافته‎ها: با استفاده از روش پیشنهادی به دقت بالایی در تشخیص بیماریهای شبکیه چشم دست یافتیم. نتایج دقت تشخیص با تحقیقات و روشهای دیگر مقایسه شد. این روش در جایگاه روشهای با دقت بالا و سرعت اجرای بالا قرار دارد.

نتیجه‎گیری: با استفاده از روش مبتنی بر تبدیل پراکندگی موجک، میتوان به دقت و سرعت بالایی در تشخیص بیماریهای شبکیه چشم در مقایسه با روشهای یادگیری عمیق مرسوم رسید.