پديد آورندگان :
قيومي زاده، حسين دانشگاه ولي‌عصر (عج) رفسنجان - گروه مهندسي برق , دانائيان، مصطفي دانشگاه ولي‌عصر (عج) رفسنجان - گروه مهندسي برق , فياضي، علي دانشگاه ولي‌عصر (عج) رفسنجان - گروه مهندسي برق , نامداري، فرشاد دانشگاه علوم پزشكي ارتش، تهران , مصطفوي اصفهاني، محمد موسسه علوم و فناوري گوانگجو - آزمايشگاه ارتباطات بصري، گوانگجو، كره جنوبي
كليدواژه :
طبقه‌بندي , ضايعات شبكيه , رتينوپاتي ديابتي , شبكه عصبي خودسازمان‌ده
چكيده فارسي :
زمينه و هدف: ديابت، بيماري شايعي است كه با ايجاد عوارض چشمي منجر به كاهش بينايي و كوري مي‌گردد. در اين پژوهش مدلي از شبكه‌هاي عصبي خودسازمان‌ده سلسله مراتبي در جهت تشخيص و طبقه‌بندي ضايعات شبكيه (رتينوپاتي ديابتي) ارايه شد.
روش بررسي: نوع مطالعه به‌صورت مقطعي گذشته‌نگر مي‌باشد كه از دي تا اسفند 1394 در دانشگاه علوم پزشكي ارتش انجام پذيرفت. مطالعه بر روي پايگاه MESSIDOR كه شامل 1200 تصوير از قطب خلفي چشم مي‌باشد انجام گرفته است. تصاوير شبكيه به سه دسته خفيف، متوسط و شديد طبقه‌بندي شده‌اند. يك سيستم متشكل از يك طبقه‌بندي تركيبي جديد از Self-organising map (SOM) algorithm براي تشخيص ضايعات شبكيه ارايه شده است. سيستم پيشنهادي شامل پيش‌پردازش سريع، استخراج ويژگي مربوط به ضايعات و در نهايت ارايه مدلي جهت طبقه‌بندي مي‌باشد. در پيش‌پردازش، سيستم از سه فرآيند جداسازي اوليه ضايعات هدف، جداسازي ديسك نوري و درنهايت جداسازي عروق خوني از شبيكه تشكيل شده است. گام دوم مجموعه‌اي از ويژگي‌ها بر اساس توصيف‌هاي مختلف مانند مورفولوژي، رنگ، شدت نور و مومنت‌ها مي‌باشند. طبقه‌بندي شامل ارايه يك مدل از شبكه‌هاي خودسازمان‌ده سلسله مراتبي مي‌باشد كه جهت تسريع و افزايش دقت در كلاس‌بندي ضايعات با مدنظر قرار دادن حجم بالاي داده‌ها در استخراج ويژگي ارايه شده است.
يافته‌ها: ميزان حساسيت، ويژگي و دقت به‌دست‌آمده از مدل پيشنهادي براي طبقه‌بندي ضايعات رتينوپاتي ديابتي، به‌ترتيب برابر با 98/51% (CI 95% 99/5% تا 96%)، 96/77% (CI 95% 97% تا 94%) و 97/87% (CI 95% 98% تا 95%) بود.
نتيجه‌گيري: بر اساس نتايج به‌دست‌آمده، مدل پيشنهادي قادر است ضايعات را در تصاوير رتينوپاتي ديابتي تشخيص و با دقت مناسبي طبقه‌بندي نمايد.
چكيده لاتين :
Background: One common symptom of diabetes is diabetic retinopathy, if not timely
diagnosed and treated, leads to blindness. Retinal image analysis has been currently
adopted to diagnose retinopathy. In this study, a model of hierarchical self-organized
neural networks has been presented for the detection and classification of retina in diabetic
patients.
Methods: This study is a retrospective cross-sectional, conducted from December to February
2015 at the AJA University of Medical Sciences, Tehran. The study has been conducted
on the MESSIDOR base, which included 1200 images from the posterior pole of
the eye. Retinal images are classified into 3 categories: mild, moderate and severe. A system
consisting of a new hybrid classification of SOM has been presented for the detection
of retina lesions. The proposed system includes rapid preprocessing, extraction of lesions
features, and finally provision of a classification model. In the preprocessing, the system
is composed of three processes of primary separation of target lesions, separation of the
optical disk, and separation of blood vessels from the retina. The second step is a collection
of features based on various descriptions, such as morphology, color, light intensity,
and moments. The classification includes a model of hierarchical self-organized networks
named HSOM which is proposed to accelerate and increase the accuracy of lesions classification
considering the high volume of information in the feature extraction.
Results: The sensitivity, specificity and accuracy of the proposed model for the classification
of diabetic retinopathy lesions is 98.9%, 96.77%, 97.87%, respectively.
Conclusion: These days, the cases of diabetes with hypertension are constantly increasing,
and one of the main adverse effects of this disease is related to eyes. In this respect,
the diagnosis of retinopathy, which is the same as identification of exudates, microanurysm
and bleeding, is of particular importance. The results show that the proposed
model is able to detect lesions in diabetic retinopathy images and classify them with an
acceptable accuracy. In addition, the results suggest that this method has an acceptable
performance compared to other methods.
