چکیده: چکیده گلوکوم یکی از علل اصلی از دست دادن غیرقابل برگشت بینایی است که به آسیب به عصب بینایی مرتبط می‌شود. تشخیص زودهنگام این بیماری برای جلوگیری از پیشرفت آن و حفظ بینایی حیاتی است. با این حال، به دلیل ماهیت بدون علامت گلوکوم در مراحل اولیه و تنوع تصاویر پزشکی مربوطه، تشخیص دقیق و به‌موقع آن همچنان یک چالش بزرگ است. همچنین، مشکلاتی همچون عدم تعادل داده‌ها و کیفیت پایین تصاویر پزشکی در محیط‌های واقعی، مانع از کارایی مدل‌های یادگیری عمیق در این زمینه می‌شود. این مطالعه به بررسی و توسعه روش‌های نوین یادگیری عمیق برای تشخیص گلوکوم از طریق تحلیل تصاویر پزشکی می‌پردازد. در بخش اول، از داده‌های توموگرافی انسجام نوری در مجموعه‌داده هم‌گروهی چشم شاهرود با داده‌های نامتوازن استفاده شد. برای مقابله با چالش عدم تعادل داده‌ها، یک روش ترکیبی مبتنی بر یادگیری جمعی وزنی و تکنیک‌های افزایش داده‌ها معرفی شد. این روش با افزایش داده‌های مربوط به گلوکوم به شش برابر و تقسیم داده‌های نرمال به پنج گروه مختلف، به متوازن‌سازی داده‌ها و بهبود عملکرد مدل‌ها کمک کرده است. همچنین، استفاده از معماری‌های پیشرفته مانند ResNet، استخراج ویژگی‌های چند مقیاسی، مکانیزم‌های توجه متقابل و ماژول توجه کانالی و فضایی موجب بهبود چشمگیر دقت مدل شده است. در نتیجه، این روش موفق به دستیابی به دقت ۹۸.۹۰% در تشخیص گلوکوم شد که ۲.۲% بهبود در مقایسه با مدل پیشین (ConvNeXtLarge) نشان می‌دهد.در بخش دوم، یک رویکرد جدید برای پردازش تصاویر شبکیه با استفاده از شبکه‌های عصبی عمیق و معماری بلوک توجه چند مقیاسی معرفی شده است. این معماری قادر است ویژگی‌های مهم تصویر را در مقیاس‌های مختلف استخراج کرده و از پدیده بیش‌برازش جلوگیری کند، که این امر موجب افزایش دقت تشخیص می‌شود. آزمایش‌ها بر روی مجموعه‌داده ACRIMAنشان داد که این روش توانسته است دقت ۹۷.۱۸٪ را به دست آورد که از نتایج قبلی پیشی گرفته است. این مطالعه با ارائه روش‌هایی نوآورانه در پردازش و تحلیل تصاویر پزشکی، امید به بهبود تشخیص گلوکوم و کاهش مشکلات مربوط به عدم تعادل داده‌ها و کیفیت تصاویر در محیط‌های واقعی دارد.