高雄醫學大學圖書館 |

語系/ Language: 繁體中文

登入

回首頁

應用大數據分析方法於眼科疾病偵測之研究 =Study on the a...

黃子瑜

應用大數據分析方法於眼科疾病偵測之研究 =Study on the application of big data analysis methods in the detection of ophthalmic diseases /

紀錄類型:	書目-語言資料,印刷品 : Monograph/item
正題名/作者:	應用大數據分析方法於眼科疾病偵測之研究 =/ 黃子瑜
其他題名:	Study on the application of big data analysis methods in the detection of ophthalmic diseases /
其他題名:	Study on the application of big data analysis methods in the detection of ophthalmic diseases
作者:	黃子瑜
出版者:	[高雄市]: [撰者], : 2023[民112],
面頁冊數:	152葉 :圖 ; : 30公分;
附註:	指導教授: 鮑永誠.
提要註:	青光眼是一種進行性視神經病變，其特徵是視網膜神經節細胞及其軸突缺失，導致明顯的視神經乳頭改變和相應的視野缺損[1-3]。由於青光眼並沒有任何疼痛感，以至於往往會在末期才發現，還有很多醫師對於判別是否患有青光眼及病並沒有一致的答案，本研究是希望能藉由眼底圖經過杯盤比、下上鼻顳來判別青光眼，並得到青光眼之嚴重程度，以幫助醫師在判別比較不易於判斷的眼底圖來做出第二方判決，不僅能降低誤判率，也可以讓病患及早發現自己面臨患上青光眼的可能。本研究方法是從Kaggle收集到的資料圖並且結合醫師提供之眼底圖檔進行圖像翻轉成右眼的眼底圖，後利用Labelme的標記軟體來進行眼底圖的標記，將標記完成的圖利用Roboflow進行分割，接著利用Scaled-YOLOv4 進行特徵識別，利用 Python 來繪製決策樹、分類回歸樹，再來利用決策樹得出的新的數值進行青光眼分類。在機器學習分類中，其中極端梯度提升為最好的模其準確率為100%、精確度為100%、傳回率為100%。在研究中較為不清楚的圖片，本研究會利用深度學習進行青光眼判斷，在深度學習二分類交叉驗證中最好的為LeNet-5模型其準確率達98%、精確度95%、傳回率100%，由於臨床醫學在判斷青光眼嚴重程度是需要結合視野圖才可以判別出嚴重程度，因此本研究將眼底圖利用梯度類激活圖模型轉為熱力圖，在眼底圖上自動標記熱力區域，接著去計算同種等級嚴重程度以及不同等級嚴重程度之間的相似性，比較完成後再去分析其嚴重程度等級為何。本研究除了想分析出青光眼的嚴重程度之外，還想知道青光眼之相關共病，根據臨床眼科醫師之經驗，高眼壓患者會因為視神經壓縮變形而導致在計算杯盤比時會大於0.7而容易被判為青光眼，因此本研究利用Apriori關聯分析去找出哪些疾病和青光最為相關。這樣不僅能省去看診時間，還可以提升準確率以便提早預防，也可以讓病情不要逐漸惡化。我們收集臨床數據遵循以下原則：赫爾辛基宣言，我們的研究獲得高醫附院的人體試驗審查委員會審查通過(KMUHIRB-E(I)-20220227)。.
電子資源:	電子資源
館藏註:	(平裝)

應用大數據分析方法於眼科疾病偵測之研究 =Study on the application of big data analysis methods in the detection of ophthalmic diseases /
黃子瑜

應用大數據分析方法於眼科疾病偵測之研究 =Study on the application of big data analysis methods in the detection of ophthalmic diseases /Study on the application of big data analysis methods in the detection of ophthalmic diseases黃子瑜 - [高雄市]: [撰者], 2023[民112] - 152葉 :圖 ;30公分

指導教授: 鮑永誠.

碩士論文--高雄醫學大學醫務管理暨醫療資訊學系碩士班.

參考書目：葉.

目錄

青光眼是一種進行性視神經病變，其特徵是視網膜神經節細胞及其軸突缺失，導致明顯的視神經乳頭改變和相應的視野缺損[1-3]。由於青光眼並沒有任何疼痛感，以至於往往會在末期才發現，還有很多醫師對於判別是否患有青光眼及病並沒有一致的答案，本研究是希望能藉由眼底圖經過杯盤比、下上鼻顳來判別青光眼，並得到青光眼之嚴重程度，以幫助醫師在判別比較不易於判斷的眼底圖來做出第二方判決，不僅能降低誤判率，也可以讓病患及早發現自己面臨患上青光眼的可能。本研究方法是從Kaggle收集到的資料圖並且結合醫師提供之眼底圖檔進行圖像翻轉成右眼的眼底圖，後利用Labelme的標記軟體來進行眼底圖的標記，將標記完成的圖利用Roboflow進行分割，接著利用Scaled-YOLOv4 進行特徵識別，利用 Python 來繪製決策樹、分類回歸樹，再來利用決策樹得出的新的數值進行青光眼分類。在機器學習分類中，其中極端梯度提升為最好的模其準確率為100%、精確度為100%、傳回率為100%。在研究中較為不清楚的圖片，本研究會利用深度學習進行青光眼判斷，在深度學習二分類交叉驗證中最好的為LeNet-5模型其準確率達98%、精確度95%、傳回率100%，由於臨床醫學在判斷青光眼嚴重程度是需要結合視野圖才可以判別出嚴重程度，因此本研究將眼底圖利用梯度類激活圖模型轉為熱力圖，在眼底圖上自動標記熱力區域，接著去計算同種等級嚴重程度以及不同等級嚴重程度之間的相似性，比較完成後再去分析其嚴重程度等級為何。本研究除了想分析出青光眼的嚴重程度之外，還想知道青光眼之相關共病，根據臨床眼科醫師之經驗，高眼壓患者會因為視神經壓縮變形而導致在計算杯盤比時會大於0.7而容易被判為青光眼，因此本研究利用Apriori關聯分析去找出哪些疾病和青光最為相關。這樣不僅能省去看診時間，還可以提升準確率以便提早預防，也可以讓病情不要逐漸惡化。我們收集臨床數據遵循以下原則：赫爾辛基宣言，我們的研究獲得高醫附院的人體試驗審查委員會審查通過(KMUHIRB-E(I)-20220227)。.

(平裝)Subjects--Index Terms:

青光眼

應用大數據分析方法於眼科疾病偵測之研究 =Study on the application of big data analysis methods in the detection of ophthalmic diseases /
LDR:06609cam a2200229 i 4500 001 364273
008 230920s2023 ch a e m 000 0 chi d
035 $a (THES)111KMC00777008
100 1 $a 黃子瑜 $3 497886
245 1 0 $a 應用大數據分析方法於眼科疾病偵測之研究 = $b Study on the application of big data analysis methods in the detection of ophthalmic diseases / $c 黃子瑜
246 1 1 $a Study on the application of big data analysis methods in the detection of ophthalmic diseases
260 # $a [高雄市]: $b [撰者], $c 2023[民112]
300 $a 152葉 : $b 圖 ; $c 30公分
500 $a 指導教授: 鮑永誠.
500 $a 學年度: 111.
502 $a 碩士論文--高雄醫學大學醫務管理暨醫療資訊學系碩士班.
504 $a 參考書目：葉.
505 0 # $a 目錄
520 3 $a 青光眼是一種進行性視神經病變，其特徵是視網膜神經節細胞及其軸突缺失，導致明顯的視神經乳頭改變和相應的視野缺損[1-3]。由於青光眼並沒有任何疼痛感，以至於往往會在末期才發現，還有很多醫師對於判別是否患有青光眼及病並沒有一致的答案，本研究是希望能藉由眼底圖經過杯盤比、下上鼻顳來判別青光眼，並得到青光眼之嚴重程度，以幫助醫師在判別比較不易於判斷的眼底圖來做出第二方判決，不僅能降低誤判率，也可以讓病患及早發現自己面臨患上青光眼的可能。本研究方法是從Kaggle收集到的資料圖並且結合醫師提供之眼底圖檔進行圖像翻轉成右眼的眼底圖，後利用Labelme的標記軟體來進行眼底圖的標記，將標記完成的圖利用Roboflow進行分割，接著利用Scaled-YOLOv4 進行特徵識別，利用 Python 來繪製決策樹、分類回歸樹，再來利用決策樹得出的新的數值進行青光眼分類。在機器學習分類中，其中極端梯度提升為最好的模其準確率為100%、精確度為100%、傳回率為100%。在研究中較為不清楚的圖片，本研究會利用深度學習進行青光眼判斷，在深度學習二分類交叉驗證中最好的為LeNet-5模型其準確率達98%、精確度95%、傳回率100%，由於臨床醫學在判斷青光眼嚴重程度是需要結合視野圖才可以判別出嚴重程度，因此本研究將眼底圖利用梯度類激活圖模型轉為熱力圖，在眼底圖上自動標記熱力區域，接著去計算同種等級嚴重程度以及不同等級嚴重程度之間的相似性，比較完成後再去分析其嚴重程度等級為何。本研究除了想分析出青光眼的嚴重程度之外，還想知道青光眼之相關共病，根據臨床眼科醫師之經驗，高眼壓患者會因為視神經壓縮變形而導致在計算杯盤比時會大於0.7而容易被判為青光眼，因此本研究利用Apriori關聯分析去找出哪些疾病和青光最為相關。這樣不僅能省去看診時間，還可以提升準確率以便提早預防，也可以讓病情不要逐漸惡化。我們收集臨床數據遵循以下原則：赫爾辛基宣言，我們的研究獲得高醫附院的人體試驗審查委員會審查通過(KMUHIRB-E(I)-20220227)。.
520 3 $a Glaucoma is a progressive optic nerve disease characterized by the loss of retinal ganglion cells and their axons, resulting in significant changes to the optic disc and corresponding visual field defects [1-3]. Since glaucoma typically does not cause any pain,it often goes unnoticed until the advanced stages. Moreover, there is no consensus among physicians regarding the diagnosis of glaucoma and its severity. This study aims to differentiate and determine the severity of glaucoma by analyzing fundus photographs using cup-disc ratio, inferior-superior-nasal-temporal (ISNT) rule, in order to assist physicians in making a secondary judgment for cases that are difficult to determine based on fundus images alone. This approach can reduce misdiagnosis rates and facilitate early detection of potential glaucoma cases. The study utilizes a dataset collected from Kaggle and combines it with fundus images provided by physicians. The images are flipped to create right-eye fundus images, and then labeled using the Labelme annotation tool. The labeled images are segmented using Roboflow, and feature recognition is performed using Scaled-YOLOv4. Python is used to generate decision trees and classification regression trees based on the extracted features. The decision tree output is used for glaucoma classification. Among the machine learning classifiers, extreme gradient boosting performs the best,achieving 100% accuracy, precision, and recall.For the unclear images in the study, deep learning is employed for glaucoma diagnosis. The best-performing model in the binary classification cross-validation using deep learning is LeNet-5, which achieves 98% accuracy,95% precision, and 100% recall. Since assessing the severity of glaucoma requires the incorporation of visual field data in clinical practice, this study converts fundus images into heatmaps using gradient class activation maps (Grad-CAM). The heatmap automatically marks the areas of interest on the fundus images, allowing for analysis of similarity among different severity levels. The study aims to analyze the severity levels of glaucoma based on the calculated similarities. Additionally, the study investigates the comorbidities associated with glaucoma. According to the clinical experience of ophthalmologists, patients with elevated intraocular pressure are more likely to be diagnosed with glaucoma if their cup-disc ratio is greater than 0.7 due to compression and deformation of the optic nerve. To identify the most correlated diseases with glaucoma, the study utilizes Apriori association analysis. This approach not only saves consultation time but also improves accuracy for early prevention and prevents the progression of the disease.Clinical data collection for this study adheres to the principles of the Helsinki Declaration, and the research protocol has been approved by the Institutional Review Board of KMUH (KMUHIRB-E(I)-20220227).Keywords: Glaucoma, automated feature recognizer, automated annotator, binary classifier,multiclass classifier, interpretable AI model, severity index..
563 $a (平裝)
653 # # $a 青光眼 $a 自動化特徵識別器 $a 自動化標記器 $a 二分類器 $a 多分類器 $a 可解釋AI模型 $a 嚴重度指標.
653 # # $a Glaucoma $a automated feature recognizer $a automated annotator $a binary classifier $a multiclass classifier $a interpretable AI model $a severity index.
856 7 # $u https://handle.ncl.edu.tw/11296/59bs3j $z 電子資源 $2 http