توضیحات
چکیده
رتينوپاتی ديابتي يكي از رایج ترين علل نابينایی در بسياري از كشور ها است. اما، با توجه به روش هاي درماني موجود، تشخیص این بیماري در مراحل آغازين، احتمال نابينايي را حتي تا %50كاهش ميدهد. در اين مقاله، بخشي از یک سيستم تعيين مرحله رتينوپاتي معرفي می گردد كه هدف آن تشخيص رتینوپاتی ديابتي در مرحله ي ابتدايي و جداسازي تصاوير شبكیه ی طبیعی از تصاویر بیمار است. در الگوريتم پیشنهادی اين مقاله، مشاهده مي يكروآنوريسم در تصوير به عنوان عامل تمايز تصاویر شبكیه هاي طبیعي و بيمار در نظر گرفته ميشود. تركيبي از روش هاي تطبيق الگو و خوشه بندي به روش FCM براي تشخيص نواحی كانديدای مي يكروآنوريسم به كار گرفته ميشود و پس از آن ساير اجسام موجود در تصویر (رگ ها و ديسك اپتیک) با استفاده از تحلیل هاي شكلی فيلترینگ مكاني از تصویر حذف می گردند. به منظور تشخيص میكروآنوريسم هاي واقعي از ساير نواحی كه به اشتباه تقطيع شده اند، نیز يك شبكه SOMتعليم داده شده و نتايج آن مورد استفاده قرار مي گیرد. پیاده سازی این الگوریتم روی 52تصوير از پایگاه داده ي Messidor، درصدهای حساسيت، تشخيص و صحت را به ترتيب، 90/193و 92/31 به دست می يدهد كه عليرغم استفاده از طبقه بندي كننده با تعليم بدون سرپرستي در اين روش، مناسبتر از ديگر روش هاي تشخيص كامپيوتري هستند .
ABSTRACT
Diabetic retinopathy is one of the most common causes of blindness in many countries. However, according to available therapeutic methods, diagnosis of this disease at early stages can reduce blindness even to 50%. In this paper, a part of a retinopathy determination system is introduced to diagnose diabetic retinopathy in the early stages and isolate normal retinal images from patient images. In the proposed algorithm of this paper, observation of aneurysm in the image is considered as the factor for the distinction between natural and patient retina images. A combination of pattern matching and clustering methods by the FCM method is used to identify the candidate regions of the aneurysm, and then other objects in the image (veins and disk optics) are removed from the image using spatial filtering analysis. Come back An SOM network is also trained and used to recognize actual microanurysms from other areas that have been mistakenly broken down. The implementation of this algorithm results in 52 images of the Messidor database, sensitivity, diagnosis and accuracy, respectively, 193.99 and 31.92, respectively, which, in spite of the use of an unstructured education in this method, is more appropriate than the other Computer diagnostic methods.
Year: 2010
Publisher : Eighteenth International Energy Conference of Iran
By : Fatemeh Haghighi, Mansour Vafadost and Shahriar Gharibzadeh
File Information: persian Language/ 6 Page / size: 649 KB
سال :1389
ناشر : هجدهمین کنفرانس بین المللی برق ایران
کاری از : فاطمه حدائقي ،منصور وفادوست و شهريار غريب زاده
اطلاعات فایل : زبان فارسی / 6 صفحه / حجم : KB 649
نقد و بررسیها
هنوز بررسیای ثبت نشده است.