تعیین محدوده دیسک نوری و ماکولا شبکیه چشم بیماران دیابتی بهروش شبکه عصبی رگرسیون عمومی

رتینوپاتی دیابتی یکی از شایع ترین بیماری های سیستم بینایی انسان می باشد و چنانچه به موقع تشخیص داده نشود منجر به نابینایی می‌گردد. تاکنون روش‌های متعدد دسته‌بندی مبتنی بر یادگیری ماشین در منابع علمی به منظور ارتقا دقت غربال‌گری دیابت چشمی مورد مطالعه بوده‌اند. این مقاله به معرفی روشی نوین جهت آشکارسازی دیسک نوری و ماکولا در تصاویر شبکیه چشم پرداخته است. جهت تشخیص محدوده دیسک نوری و ماکولا به‌روش آستانه‌گذاری، توسط 100 نمونه تصویر شبکیه از پایگاه داده مسیدور با روش سعی و خطا اقدام به استخراج جدول ویژگی‌ها نموده و بیشترین ارتباط بین ویژگی‌ها شناسایی گردید. سپس این ویژگی‌ها به‌عنوان 100 نمونه آموزش به ورودی شبکه عصبی رگرسیون عمومی اعمال و در خروجی، آستانه این تصاویر تنظیم گردیده است. کار تخمین خروجی را می توان با روش های دیگری مانند تخمین چند جمله ای انجام داد که البته نسبت به تخمین گر شبکه دارای خطا می باشد. جهت بررسی صحت عملکرد شبکه، 100 تصویر شبکیه چشم دیگر از پایگاه داده مسیدور به‌عنوان داده آزمایش به این شبکه اعمال گردید که میزان خطای تخمین ماکولا و دیسک نوری در روش شبکه رگرسیون عمومی به ترتیب برابر 8415/7 و 8219/13 بدست آمد و همچنین در روش تخمین چند جمله‌ای به ترتیب برابر 1107/1 و 4937/1 محاسبه گردید. این کار توسط دو شبکه عصبی رگرسیون عمومی صورت می پذیرد که شبکه اول وظیفه تنظیم آستانه دیسک نوری و شبکه دوم وظیفه تنظیم آستانه ماکولا را بر عهده دارد.

Determination of Optic Disc and Retinal Macula in Diabetic Patients by General Regression Neural Network

Diabetic retinopathy is one of the most common diseases of the human visual system and can lead to blindness if not diagnosed in time. So far, several machine learning-based classification methods have been studied in scientific sources to improve the accuracy of ocular diabetes screening. This article introduces a new method for detecting optical discs and macules in retinal images. In order to identify the range of optical disc and macula by thresholding method, 100 retina images were extracted from the Mesidor database using the trial and error method and the highest correlation between the features was identified. These features are then applied as 100 training samples to the input of the general regression neural network and the threshold of these images is set at the output. The output estimation work can be done by other methods such as polynomial estimation, which of course has an error compared to the network estimator. To evaluate the performance of the network, another 100 retina images from the Mesidor database were applied to the network as experimental data, with acceptable results. This is done by two general regression neural networks, the first network is responsible for setting the threshold of the optical disk and the second network is responsible for setting the macular threshold.