ارزيابي يادگيري الكترونيكي جهت تشخيص زود هنگام هومورژهاي شبكيه در رتينوپاتي ديابتي

The Survey of the Effectiveness of Electronic Learning for Early Detection of Retinal Hemorrhages in Diabetic Retinopathy

مقدمه: سازمان بهداشت جهاني انتظار دارد تعداد مبتلايان به ديابت در 25 سال آينده از 130 ميليون نفر به بيش از 350 ميليون نفر افزايش يابد. اين بيماري به سرعت منجر به بيماري‌هاي قلبي گرديده و باعث بروز اختلالات گوناگوني در شبكيه مي‌شود. تاثير مخرب بيماري ديابت بر روي شبكيه، ديابتيك رتينوپاتي ناميده مي‌شود. در نتيجه، هدف اين مقاله اين است كه بتوان با استفاده از يادگيري الكترونيكي و به‌صورت اتوماتيكي (كامپيوتري)، از درون تصاوير رنگي شبكيه، پاتولوژي‌هاي قرمز رنگ شبكيه بنام هومورژ‌هارا تشخيص داد. مواد و روش‌ها: يك مجموعه داده يادگيري از هومورژها و غيرهومورژها ايجاد شده است. مجموعه داده يادگيري نمونه ما شامل 35000 پيكسل هومورژ و 33000 پيكسل غيرهومورژ ميباشد. از روش ‌‌ريخت‌شناسي و تكنيك تشخيص پاتولوژي‌هاي هومورژها برمبناي پيكسل، به‌منظور جداسازي اين پاتولوژي‌ها از ساير ساختارهاي تصاوير استفاده شده است. سپس با استفاده از دسته‌بندي‌كننده‌اي بنام درخت‌هاي تصميم، جراحت‌هاي شبكيه به دو كلاس هومورژ و غير هومورژ دسته‌بندي مي‌شوند. نتايج: در مرحله تست، اين روش توانست بعد از استخراج 68000 پيكسل از تصاوير شبكيه و دسته‌بندي آنها با استفاده از فرمول دسته‌بندي‌كننده درخت‌هاي تصميم، به حساسيت 98%، ويژگي 14/97% و دقت 57/97% دست يابد. نتيجه‌گيري: در اين پژوهش، بعد از استفاده از روش‌هاي مختلف، روش ريخت‌شناسي، كارايي بالاتري نسبت به ساير روش‌ها داشت و در مقايسه با روش‌هاي تشخيص باليني (سنتي) از دقت خوبي برخوردار بود.

Introduction: The World Health Organization estimates that the number of diabetics will increase from 130 million to more than 350 million by the next 25 years. Diabetes can rapidly lead to cardiovascular disorders and a variety of problems in the retina. The adverse effects of diabetes on retina are known as diabetic retinopathy (DR). In this connection, the purpose of this paper is to investigate the diagnosis of spot-shaped red color retinal pathologies, or hemorrhages from retinal colored radiographs through electronic learning and computer, that is automatically, as early as possible. Materials and Methods: A set of 68000 pixels including 35000 hemorrhage and 33000 non-hemorrhage pixels were extracted from 85 colored retinal images. The morphological and Pixel-level hemorrhages recognition techniques were used to differentiate these images from other image structures. The retinal lesions were classified into hemorrhage and non-hemorrhage, using a classifier known as decision trees. Finally, the results obtained from this system were compared with those diagnosed by ophthalmologists. Results: In the testing stage, after extracting and classifying the 68000 pixels from retinal images using classifier decision trees formula, this method achieved 98% sensitivity, 97.14% specificity and 97.57% accuracy. Conclusion: The computer-aided diagnosis techniques, the morphological techniques, have a high efficiency and are more precise than the clinical techniques.