<![CDATA[Glaukoma, penyakit mata yang melemahkan yang menyebabkan kerusakan optic disc (OD) dan optic cup (OC), yang akhirnya menyebabkan kebutaan pada stadium lanjut, menimbulkan tantangan untuk identifikasi dini karena perkembangannya yang lambat dan gejala awal yang terbatas. Oleh karena itu, kerangka kerja otomatis sangat penting untuk membantu skrining dan meningkatkan deteksi penyakit tahap awal. Dalam penelitian ini, kami fokus pada lokalisasi dan segmentasi OD dan OC dalam gambar retina kabur untuk deteksi glaukoma. Untuk mengatasi tantangan tersebut, kami mengusulkan pendekatan baru, yaitu Mask-RCNN berbasis Densenet-77. Kami mulai dengan menambah kumpulan data dan memperkenalkan keburaman untuk meningkatkan keragaman data. Selanjutnya, kami membuat anotasi dari gambar ground-truth (GT). Kerangka kerja Densenet-77 kemudian digunakan dalam fase ekstraksi fitur dari Mask-RCNN untuk menghitung poin-poin penting yang mendalam. Selanjutnya, fitur yang dihitung ini digunakan oleh model Mask-RCNN yang disesuaikan untuk melokalkan dan menyegmentasikan OD dan OC. Evaluasi kinerja dilakukan pada kumpulan data ORIGA yang tersedia untuk umum, dan validasi lintas kumpulan data dilakukan menggunakan database HRF untuk menunjukkan ketahanan kerangka kerja. Kerangka kerja yang disajikan mencapai rata-rata presisi, daya ingat, ukuran-F, dan IOU masing-masing sebesar 0,965, 0,963, 0,97, dan 0,972. Hebatnya, metode yang diusulkan menunjukkan kinerja yang unggul dalam hal efisiensi dan efektivitas bila dibandingkan dengan teknik canggih, bahkan dengan adanya variasi kabur, kebisingan, dan cahaya.]]>
Copyrights © 2023
