بخشی از مقاله
تشخيص اتوماتيک بيماريهاي چشم (گلوکوم و رتينوپاتي ) با استفاده از پردازش تصوير
چکيده
تکنيک هاي پردازش تصوير در تشخيص ناراحتيهاي مختلف چشمي، بسيار کمک ميکنند. در کشورهاي توسـعه يافتـه و در حـال توسعه ، شمار زيادي از مردم از بيماريهاي چشمي مانند گلوکوم ، رتينوپاتي ديابتي و فشار خون ديابتي رنـج مـيبرنـد. تشـخيص انساني همواره مستعد خطا ميباشد. تشخيص اتوماتيک بيماريهاي چشم ميتواند راه حلي براي کمک به بيماران باشد. هدف ما در اين مقاله تشخيص اتوماتيک ٢نوع بيماري (رتينوپاتي ديابتي و گلوکوم) با استفاده از تکنيک هاي پردازش تصوير ميباشد.در ايـن مقاله روشي پيشنهادي براي تشخيص بيماريهاي گلوکوم و رتنيوپاتي ديابتي از يکديگر با اسـتفاده از تشـخيص ROI، اسـتخراج رگهاي خوني از شبکيه ي چشم ودرنهايت شبکه هاي عصبي و ماشين بردار پشتيبان ارائه گرديد. نتايج شبيه سازي نشان ميدهـد روش پيشنهادي قادراست اين دو بيماري را با دقت ٩٥.٣ درصد تشخيص دهد.
کلمات کليدي
گلوکوم،رتينوپاتي ديابتي ، PCA ،شبکه هاي عصبي ، استخراج رگ
١- مقدمه
در پانزده سال اخير کارهاي مختلفي در جهت تحليل و تشخيص اتوماتيک بيماريهايي از قبيل رتينوپاتي ديابتي،گلوکوم انجام شده است و کار بر روي اين تصاوير در جهت معرفي الگوريتم هاي جديد با قابليت اعمال بر روي تصاوير با کيفيت و روشنايي مختلف و رسيدن به حداقل خطا همچنان ادامه دارد. [١]کارهاي مختلفي که در جهت رسيدن به اين اهداف بر روي تصاوير شبکيه انجام مي شود به شرح زير است : افزايش کنتراست و يکنواخت سازي روشنايي تصاوير شبکيه - تشخيص مکان، محدوده و اندازه ديسک نوري (جهت بررسي چگونگي پيشرفت گلوکاما) - تشخيص مکان فووآ و محدوده ماکولا- استخراج رگهاي خوني و آناليز کمي اين رگها از لحاظ قطر و مقدار- تشخيص لکه هاي قرمز تحت عنوان ميکروآنوريزم ها و هموريژها و کلاسبندي آنها- تشخيص لکه هاي زرد تحت عنوان اگزوديتها و کلاسبندي اين الگوها به دو دسته سافت اگزوديت ها و هارد اگزوديت ها[٢].[٣].
٢- ويژگيهاي تشخيص گلوکوم و رتينوپاتي ديابتي
گلوکوم (آب سياه)، تحليل يا تباهي تصاعدي رشته هاي عصب بينايي است که منجربه تغييرات ساختاري در سر عصب بينايي Optic nerve)
(head شده و به آهستگي حاشيه عصبي شبکيه را کاهش ميدهد.
رتينوپاتي ديابتي (DR)DiabeticRetinopathy() عارضه اي ناشي از ديابت است . DR منجربه اختلالات مختلفي همچون ميکروآنوريسم ، خونريزي، ترشحات، لکه هاي پنبه لايه اي(Cotton WOOL) ، بينظميهاي وريدي (سياهرگي ) , رگهاي جديد خواهد شد.[٤]
٣- روش پيشنهادي
بلوک دياگرام روش پيشنهادي در شکل ٤ نشان داده شده است .
همانطور که مشاهده ميشود ابتدا ناحيه Region of Interest(ROI)
مورد نظر استخراج گرديده، سپس رگ هاي چشم استخراج گرديد و از ضرايب Principal Component Analysis(pca) به عنوان بردار ويژگي استفاده گرديد و در نهايت از شبکه عصبي و ماشين بردار پشتيبان براي تشخيص استفاده شد.
٣-١ استخراج ROI
جداسازي ROI از زمينه با استفاده از ويژگي هاي منحصر به فرد اشـيا درون تصوير که دانش قبلي از آن را شکل مي دهند صورت مـيگيـرد.
سطح روشنايي، رنگ ، بافت ، شکل و اندازه از مهم تـرين ويژگـي هـاي اشيا مي باشـند کـه بـراي جداسـازي ROI مـورد اسـتفاده قـرار مـي گيرند.[٥]
٣-٢ استخراج رگ
در روش پيشنهادي از الگوريتم استخراج رگ مبتني بر آستانه آنتروپي [٦] استفاده شده است ، که شامل ٤مرحله مي باشد. از آنجايي که رگهاي خوني در مقايسه با پس زمينه معمولا داراي کنتراست و بازتاب کمتري ميباشند از يک صافي تطبيق براي افزايش کنتراست رگهاي خوني به کار ميبريم . همچنين آستانه مبني بر آنتروپي ميتواند براي ايجاد تمايز بين ريگ هاي خوني و پس زمينه در تصاوير مورد استفاده قرار گيرد. يک تکنيک فيلترينگ طول نيز براي حذف کردن نقاط طبقه بندي شده استفاده ميشود. همچنين تشخيص تقاطع رگي با يک فرايند وارسي مبني بر پنجره (window) انجام ميپذيرد.
مرحله اول: فيلتر تطبيق
در سطح خاکستري نمايه ي رگ خوني تقريبا ميتواند توسط يک منحني گاوسي تقريب زده شود. مفهوم رديابي فيلترينگ جفت براي کشف کردن بخش هاي طولي تکه اي از رگهاي خوني در تصاوير شبکيه مورد استفاده قرار ميگيرد.
رگهاي خوني معمولا کنتراست موضعي پاييني دارند. هسته فيلتر تطبيق طراحي شده در دو بعد طراحي شده است تا کنتراست رگهاي خوني را افزايش دهد.
گام دوم : آستانه آنتروپي موضعي
در طي يک فرآيند آستانه آنتروپي به استخراج رگهاي خوني از تصوير پيش زمينه پرداخته شده است .اين الگوريتم آستانه مبني بر آنتروپي موضعي براي جدا کردن سطوح خاکستري مورد استفاده قرار گرفته است .[٦]
گام سوم: فيلترينگ طول
همانطور که در شکل ٢(c) ديده ميشود در تصوير تعدادي نقاط طبقه بندي نشده هنوز وجود دارد در اينجا از فيلترينگ طول براي حذف نقاط مجزا استفاده ميشوپد.براي حذف نقاط مجزا ابتدا بايد اين نقاط شناسايي و تشخيص داده شوند. فيلترينگ طول براي جدا کردن نقاط مجزا از هشت اتصال همسايه و انتشار برچسب استفاده مي کند.
شکل ٢(d) نتايج را بعد از فيلترينگ طول نشان ميدهد.[٦]
گام چهارم:شناسايي تقاطع رگها
تقاطع رگي مناسب ترين قسمت فرآيند ثبت هستند زيرا در تمام تصاوير شبکيه وجود دارند و به غير از موارد بيماري حرکت نميکنند اگر درخت رگي پهناي تک نقطه اي داشته باشد نقاط شاخه اي شناسايي و درخت رگيمشخص ميگردد. مورفولوژي باريکي براي گرفتن پهناي نقاط تک چنانکه در شکل (e)٢ نشان داده شده است استفاده گرديده است .
شکل (f)٢ درخت رگي را همراه با نقاط تلاقي نشان ميدهد.
شکل (١):(a) تصوير اصلي فوندوس -(b)- فيلتر تطبيق -(c)- آستانه آنتروپي - (d)-درخت رگي-(e)-يک پيکسل از پهناي درخت رگي -(f)- درخت رگي را همراه با نقاط تلاقي [٦]
شکل (٢): استخراج رگ [٧]
شکل (٣):استخراج رگ انجام شده توسط برنامه شبيه سازي
٣-٣ تکنيک آناليز اجزا اصلي ( PCA)
تکنيک PCA بهترين روش براي کاهش ابعاد داده به صورت خطي ميباشد. يعني با حذف ضرايب کم اهميت بدست آمده از اين تبديل ، اطلاعات از دست رفته نسبت به روشهاي ديگر کمتر است [٨]. در اين روش محورهاي مختصات جديدي براي دادهها تعريف شده و دادهها براساس اين محورهاي مختصات جديد بيان ميشوند. از آنجايي که مهمترين تغييرات بيماري در رگ ها مشاهده ميشود در اين مقاله الگوريتم PCA فقط به ناحيه ROI جداشده اعمال و ضرايب آن استخراج گرديد. بردار ويژگي مورد استفاده ٤٠ ضريب اول ماتريس ويژگي ميباشد.
