تشخيص اتوماتيك بيمارهاي شبكيه چشم با استفاده از مدل هاي رياضياتي پردازش تصوير، مبتني بر يادگيري ديكشنري چند لايه

Automatic recognition of retinal diseases using mathematical models of image processing, based on multilayer-dictionary learning

هدف از اين مطالعه بهبود عملكرد طبقه بندي روش هاي نوين، با استفاده از مدلي چند لايه به منظور كمك به تشخيص بيماري‌هاي شبكيه ي چشم است. اين مدل از الگوريتم K-SVD پيشرفته، براي يادگيري ماتريس ديكشنري و الگو هاي پايه استفاده مي كند تا بتواند با الگوپذيري از معماري چند لايه، ويژگي هاي بهتري را در تصاوير OCT شبكيه بياموزد. همچنين در اين معماري، علاوه بر استفاده از برچسب هاي كلاس داده هاي آموزشي، اطلاعات برچسب نيز در هر ستون پايه در ماتريس ديكشنري تركيب مي شود تا در كدگذاري تنك در طي فرآيند يادگيري ديكشنري بيشترين تبعيض اعمال شود كه اين منجر به موفقيت مراحل كدگزاري تنك و جمع بندي، در پيدا كردن نمايش موثر تري از داده به منظور طبقه بندي مي گردد. براي اعتبار سنجي الگوريتم، از مجموعه داده هاي داك استفاده شده است. نتايج تجربي نشان مي دهد كه الگوريتم پيشنهادي اين مقاله توانسته است با پيشي گرفتن از بسياري از مدل هاي جديد يادگيري ديكشنري و نمايش تنك، بسيار خوب عمل نمايد و با دقت خوبي منجر به طبقه بندي صحيح ٪95.85 براي تصاوير نرمال و صددرصد براي تصاوير بيمار (DME و AMD) شود.

The purpose of this study is to improve the classification of new methods using a multi-layered model to address retinal diseases diagnosis. This paper presents a multi-layer dictionary learning method for classification tasks. Our multi-layer framework uses a label consistent in K-SVD algorithm to learn a discriminative dictionary for sparse coding in order to learn better features in retinal optical coherence tomography images. In addition to using class labels of training data, we also associate label information with each dictionary item (columns of the dictionary matrix) to enforce discrimination in sparse codes during dictionary learning process. In fact, it relies on a succession of sparse coding and pooling steps in order to find an effective representation of data for classification. Moreover, we apply Duke dataset for validating our algorithm. Our classifier leads to a correct classification rate of 95.85% and 100.00% for normal and abnormal (DME and AMD). Experimental results demonstrate that our algorithm outperforms compared to many recent proposed supervised dictionary learning and sparse representation techniques.