ارائه مدلی هوشمند جهت تشخیص سطح توسعه رتینوپاتی دیابتی با استفاده از استخراج الگوی رگ‌های خونی در تصاویر شبکیه

رتینوپاتی دیابتی یک بیماری چشمی مزمن و پیشرونده است که در آن شبکیه چشم انسان به دلیل افزایش مقدار انسولین در خون تحت تاثیر قرار می‌گیرد. رتینوپاتی دیابتی اگر به موقع تشخیص و درمان نشود، بینایی بیمار را تهدید و در نهایت باعث کوری کامل می‌شود. در میان علائم بالینی مختلف، میکروآنوریسم به عنوان اولین علامت رتینوپاتی دیابتی ظاهر می‌شود. تشخیص دقیق و مطمئن میکروآنوریسم‌ها به دلیل اندازه کوچک و کنتراست کم آن یک مشکل چالش برانگیز است. تشخیص موفقیت‌آمیز میکروآنوریسم‌ها برای برنامه‌ریزی صحیح و درمان مناسب بیماری در مراحل اولیه مفیدتر خواهد بود. در این مقاله، ما روشی برای طبقه‌بندی تصاویر پزشکی از شبکیه چشم به منظور تشخیص دقیق سطح توسعه رتینوپاتی دیابتی ارائه می‌کنیم. روش پیشنهادی ما دارای شش مرحله اصلی است که در مراحل یک تا چهار ابتدا تصویر ورودی تحت پیش‌پردازش قرار می‌گیرد. در مرحله اول؛ تشخیص رگ‌های خونی با استفاده از عملیات مورفولوژیکی بستن، مرحله دوم؛ تشخیص لبه دایره‌ای با استفاده از عملیات مورفولوژیکی گرادیان، مرحله سوم؛ تشخیص دیسک نوری با استفاده از روش لبه‌یابی تبدیل هاف دایره‌ای، مرحله چهارم؛ تشخیص میکروآنوریسم‌ها با استفاده از حذف رگ‌های خونی، لبه دایره‌ای و دیسک نوری تشخیص داده شده در تصویر و سپس استفاده از تبدیل هاف دایره‌ای انجام می‌گیرد. در مرحله پنجم استخراج ویژگی با در نظر گرفتن دو ویژگی، ناحیه رگ‌‌های خونی و ناحیه میکروآنوریسم‌ها و چهار ویژگی به دست آمده از ماتریس هم رخداد سطح خاکستری، انجام می‌شود. در نهایت مرحله ششم طبقه‌بندی با استفاده از طبقه‌بند svm می‌باشد. عملکرد مدل را با استفاده از پایگاه داده تصاویر فوندوس شبکیه، eyepacs ارزیابی کرده و به ترتیب دقت و تشخیص‌پذیری 98%، 98.75% را بدست آوردیم. نتایج تجربی نشان می‌دهد که مدل پیشنهادی ما از نظر معیارهای ارزیابی در مقایسه با روش‌های دیگر بهتر عمل می‌کند.