بخشی از مقاله
خلاصه:
امروزه رشد تکنولوژی اطلاعات زمینه را مناسب میسازد تا مردم بتوانند اطلاعات و دادههایشان را سریع پردازش نمایند. بنابراین این عملیات باعث تصمیمگیری سریع و درست را فراهم میسازد. لذا پردازش تصاویر یک موضوع مهم در زندگی امروزه برای بسیاری از محققان میباشد. . البته، جایگاه پیدا شده جهت استفاده از الگوریتمهای پردازش تصویر جهت پردازش تصویر عنبیه بسیار مهم و مفید خواهد بود.
هدف اصلی از تحقیق این است که روشی کارا بر اساس یادگیری ماشین نیمه نظارتی جهت آشکارسازی هفت نوع بیماری از روی پردازش تصویر عنبیه پیشنهاد شده است، که این امر از نظر کلینیکی امری ضروری و باعث صرفهجویی در زمان و کمک به شخص خواهد نمود. ضمنا جهت افزایش دقت الگوریتم و کاهش خطا الگوریتم آشکارسازی مجهز به الگوریتم یادگیری نیمه نظارتی شده است. با توجه به اینکه در این حوزه، نظریهپردازی را سر لوحهی کار قرار دادهایم. لذا در این ارتباط، آزمایشهای اولیهی صورت گرفته نشان بر توانایی الگوریتم پیشنهادی خواهد بود.
.1 مقدمه
احراز هویت یک فرد با استفاده از سیستمهای بیومتریک آن از جمله صورت، اثرانگشت، دستخط، هندسه دست، صوت و عنبیه، از جمله تحقیقات و پژوهشهایی است که همیشه مورد توجه محققان قرار گرفته است. در میان این سیستمهای بیومتریک، سیستم شناسایی عنبیه [1] یکی از سیستمهای خیلی دقیق و قابل اعتماد بوده، که در کاربردهای امنیتی مانند فرودگاهها، آزمایشگاههای حساس، دستگاههای خود پرداز و ... کاربرد داشته است.
امروزه تحقیقات گسترده در خصوص سیستمهای تشخیص با کمک رایانه3 یا به عبارت دیگر استفاده از الگوریتمهای پردازش تصویر، نظر بسیاری از محققان را به خود جلب کرده است و طیف گستردهای از پژوهشگران در مراکز تحقیقاتی به پژوهش در خصوص تشخیص انواع بیماری از روی تصاویر پزشکی از جمله تصاویر سیتیاسکن یا 1CT، رادیوگرافی اشعه ایکس2، تصاویر ماموگرافی،3 انواع تصاویر رزونانس مغناطیسی یا 4MRIو .... قبل از بیماری، در طول درمان بیماری و بعد از بیماری مشغولند .[2] بر همین مبنا برخی از محققان به تحقیق در خصوص استفاده از الگوریتمهای بینایی ماشین جهت پردازش عنبیه در کاربردهایی کلینیکی پرداختهاند.
به عبارت دیگر آنها در تحقیقاتشان از پردازش تصاویر عنبیه در جهت تشخیص حالتهای سلامتی شخص استفاده میکنند. در علم پزشکی اثبات شده که تغییرات در خواص فیزیولوژیکی بدن انسان رابطه مستقیم با تغییرات در خواص و ویژگیهای عنبیه داشته است .[3]عنبیه بخش حلقوی بین مردمک و صلبیه چشم است، که با استفاده از رنگها5، الگوها،6 خواص7 و مشخصات8 عنبیه میتوان برای جمعآوری اطلاعات در خصوص حالت-های سلامتی شخص تصمیمگیری نمود. در شکل زیر مرز نواحی مختلف چشم انسان نمایش داده شده است.
در راستای استخراج خواص عنبیه، خواصی مشخص از جمله حفرهها 9، شکستها10،سولاریسهای شعاعی11،خطها و حلقههای عصبی و رنگ از بافت عنبیه قابل استخراج میباشد .[4] در همین راستا الگوریتمهایی مانند فیلترهای گابور6]12و[ 5، تبدیل هیلبرت[ 7]13، تبدیل موجک9]14و[8، آنالیزهایی بر مبنای [10]15 SVM و روشهای اعمال آستانه بر نمودار هیستوگرام [11] و دیگر روشها در حوزه زمان و یا حوزههای دیگر جهت استخراج خواص عنبیه پیشنهاد شده است.
ایریدولوژی 16، اولین مرحله تشخیص بیماری بوده و یک تکنیک پزشکی و یک روش دقیق جهت تشخیص دقیق بیماریهای بدن انسان از روی پردازش چشم میباشد که با دقت بالا و هزینه کم قابل انجام است. در ایریدولوژی به قسمت رنگی چشم عنبیه گفته میشود، که قبل از تولد شخص تشکیل شده و تا زمان مرگ او تغییر نمیکند و عنبیه تمامی انسانها متفاوت میباشد و هیچ دو نفر در عالم دارای ساختار عنبیه یکسان نمیباشند .[12] بنابراین تحقیق حاضر با هدف ارائه روشی موثر جهت آشکارسازی هفت نوع بیماری از روی پردازش تصویر عنبیه بر اساس یادگیری ماشین نیمه نظارتی انجام پذیرفت.
.2 مروری بر ادبیات تحقیق و پیشینه تحقیق
در تحقیقی که توسط آقای نجد در سال 2015 انجام گردید [12]، آنها روشی جهت تشخیص بیماریهای قلبی با استفاده از شبکه عصبی ارائه دادند. با توجه به اینکه شدت روشنایی مردمک نسبت به دیگر قسمتهای اطرافش کمتر می-باشد لذا اختلاف روشنایی زیادی بین آنها وجود دارد بنابراین آنها در تحقیق خود جهت آشکارسازی مردمک از دیگر قسمتهای عنبیه در مرحله اول از الگوریتم آشکارسازی لبه کنی 17استفاده کردهاند.
با توجه به اینکه خروجی این مرحله دقیق نبوده و لبههای ناخواسته زیادی وجود دارد و از طرف دیگر داشتن مرزهای دقیق و یا به عبارت دیگر خروجی این مرحله جهت استفاده در مراحل بعدی بسیار حائز اهمیت است، که این موضوع، با توجه به اینکه آنها ناحیه اطراف مردمک را به صورت شکل ذیل تقسیمبندی نمودهاند، در شکل زیر نمایش داده شده است. بنابراین آنها جهت حذف این لبههای ناخواسته و افزایش سرعت الگوریتم بر روی خروجی مرحله اول از الگوریتم تبدیل هاف سه پارامتری استفاده میکنند.
بعد از آشکارسازی دقیق دایرههای داخلی و خارجی عنبیه، بردار ویژگیهای مورد نظر از تصویر عنبیه استخراج شده و این بردار به عنوان ورودی وارد شبکه عصبی شده و خروجی شبکه عصبی پیشنهادی آنها تشخیص بیماری میباشد. دقت الگوریتم آنها جهت تشخیص بیماری قلبی در حدود 98,28 درصد میباشد. در تحقیقی دیگر که توسط آقای باوندیا در سال 2014 انجام گرفت [13]، ایشان یک روش ساده و اتوماتیک جهت آشکارسازی وجود کلسترول بر اساس پردازش تصویر عنبیه ارائه دادند.
کلسترول بالا در خون باعث ایجاد تغییرات در الگوی عنبیه خواهد شد که به آرکوس لیپویید18مشهور است. الگوریتم پیشنهادی ایشان شامل این مراحل میباشد که در مرحله اول ناحیه مردمک از تصویر عنبیه با استفاده از تبدیل هاف دایرهای تفکیک میشود. سپس نمودار هیستوگرام آن را بدست میآورد، با اعمال آستانهای مناسب بر روی نمودار هیستوگرام استخراج شده، هدف - 19دایره روشن متعلق به بیماری کلسترول - از زمینه20جدا خواهد شد. با توجه داشت که، دایره متعلق به بیماری کلسترول دارای شدت روشنایی بالا - نزدیک به - 255 بوده و بقیه نواحی دارای شدت روشنایی نزدیک به صفر دارند. این مراحل الگوریتم پیشنهادی ایشان در شکل زیر نمایش داده شده است.
در تحقیقی دیگر که توسط آقای پوونگوژالی و همکارانش در سال 2017 انجام گرفت [3]، آنها یک الگوریتمی جهت تشخیص سلامتی بر اساس پردازش تصویر عنبیه ارائه دادند. در شکل زیر بلوک دیاگرام کلی الگوریتم آنها نمایش داده شده است. در تحقیقی دیگر که توسط آقای هاروا و همکارانش در سال 2013 انجام گرفت [14] ، آنها الگوریتمی جهت تخمین شرایط سلامتی انسان به عبارت دیگر وجود بیماری در عضوهایی از جمله قلب، کبد، ریه و طحال را با استفاده از پردازش عنبیه ارائه دادهاند.
این موضوع در شکل زیر نمایش داده شده است . آنها در مرحله پیشپردازش بعد از تبدیل تصویر رنگی به تصویر خاکستری، از یک تابع گوسی با ماتریس اپراتور 5*5 جهت کاهش نویز تصویر استفاده کرده، سپس جهت آشکارسازی عنبیه از الگوریتم لبه کنی استفاده نمودهاند. این فرایند در شکل زیر نمایش داده شده است. در مرحله بعدی با پیدا نمودن مرکز و شعاع عنبیه، مساحت مربوط به عنبیه را استخراج نموده و این مساحت را به یک شبکه عصبی مصنوعی21جهت تخمین شرایط سلامتی انسان دادهاند. نرمافزار تحقیقاتی توسط این تیم بر روی سیستم عاملهای تلفن همراه قابل استفاده میباشد. الگوریتم آنها شامل سه مرحله اساسی میباشد.
.3 الگوریتم استخراج عنبیه چشم
1؛-3 ساختار مرحله اول الگوریتم پیشنهادی
قابلیت این مرحله از الگوریتم پیشنهادی، استخراج تصویر عنبیه از کل تصویر ورودی میباشد. به عبارت دیگر هدف اصلی در این مرحله، فرایند جداسازی عنبیه از مابقی تصویر چشم میباشد. به عنوان مثال، تصویری مانند شکل زیر به عنوان ورودی وارد مرحله اول الگوریتم پیشنهادی میشود، که نتیجه این مرحله از الگوریتم، جدا سازی تصویر عنبیه از کل تصویر ورودی میباشد.
