تشخیص اتوماتیک بیمارهای شبکیه چشم با استفاده از مدل های ریاضیاتی پردازش تصویر، مبتنی بر یادگیری دیکشنری چند لایه

پیشینه و اهداف: پردازش تصویر یکی از مسائل مهم در حوزه ی هوش مصنوعی می باشد که در موارد مختلف صنعتی، پزشکی، نظامی، سیستم مای امنیتی و.. کاربرد دارد. از مهم‌ترین زمینه‌های کاربردی پردازش تصویر استخراج قواعد طبقه‌بندی در حیطه علم پزشکی است. با به‌کارگیری الگوریتم‌های قدرتمند این حوزه می‌توان سیستم های هوشمندی ابداع کرد که به شکل خودکار و بدون نیاز به نظارت پزشک قادر به فهم و تفسیر ویژگی‌های پزشکی افراد باشند یا اطلاعات مفیدی را اکتشاف کنند که متخصصان را در قضاوت صحیح یاری رساند. زمانی که پارامترهای لازم برای تشخیص بیماری زیاد می‌شود، تشخیص و پیش‌بینی بیماری حتی برای یک متخصص خبره پزشکی نیز به‌سختی ممکن می گردد به همین دلیل در چند دهه اخیر ابزار تشخیص کامپیوتری باهدف کمک به پزشک مورد استفاده قرارگرفته است. این مهم موجب شده است که خطاهای احتمالی ناشی از خستگی یا بی‌تجربگی فرد متخصص تا حدی کاهش پیدا کند و داده‌های پزشکی موردنیاز، طی مدت‌زمان کمتر و با جزئیات و دقت بیشتر در اختیار پزشک قرار گیرد. هدف از این مطالعه بهبود عملکرد طبقه‌بندی روش‌های نوین، با استفاده از مدلی چندلایه به‌منظور کمک به تشخیص بیماری‌های شبکیه‌ی چشم است. روش ها: این مدل از الگوریتم k-svd پیشرفته، برای یادگیری ماتریس دیکشنری و الگوهای پایه استفاده می‌کند تا بتواند با الگوپذیری از معماری چندلایه، ویژگی‌های بهتری را در تصاویر oct شبکیه بیاموزد. همچنین در این معماری، علاوه بر استفاده از برچسب‌های کلاس داده‌های آموزشی، اطلاعات برچسب نیز در هر ستون‌پایه در ماتریس دیکشنری ترکیب می‌شود تا در کدگذاری تنک در طی فرآیند یادگیری دیکشنری بیشترین تبعیض اعمال شود که این منجر به موفقیت مراحل کدگذاری تنک و جمع‌بندی، در پیدا کردن نمایش موثرتری از داده به‌منظور طبقه‌بندی می‌گردد. برای اعتبارسنجی الگوریتم، از مجموعه داده‌های داک استفاده‌شده است. این مجموعه داده شامل اسکن‌های حجمی از 45 نوع، که 15 نوع حجم از آن طبیعی، 15 نوع بیمار تخریب ماکولای وابسته به سن (amd) و 15 نوع بیمار ورم ماکولای دیابتی (dme) است که تعداد اسکن‌های oct در هر حجم بین 36 تا 97 تصویر متغیر می‌باشد. یافته ها: نتایج تجربی نشان می‌دهد که الگوریتم پیشنهادی این مقاله توانسته است با پیشی گرفتن از بسیاری از مدل‌های جدید یادگیری دیکشنری و نمایش تنک، بسیار خوب عمل نماید و با دقت خوبی منجر به طبقه‌بندی صحیح %95.85 برای تصاویر نرمال و صد درصد برای تصاویر بیمار (dme و amd) شود. نتیجه گیری: نتیجه ی این تحقیق ارائه ی سیستمی اتوماتیک به‌منظور تشخیص برخی ناهنجاری مای شبکیه بود به‌طوری‌که با تحلیل و آنالیز بر روی‌داده‌های دام توانست با دقت بسیار خوبی در مقایسه با روش‌های نوین این حوزه در شناسایی الگوهای ظریف بیماری در تصاویر oct موفق عمل نموده، تصاویر نرمال و بیمار را در دو بیماری تباهی ماکولای وابسته به سن یعنی amd ورم ماکولای دیابتی یعنی dme را تفکیک و در تشخیص پاتولوژی شبکیه با دقت بسیار بالایی به پزشک معالج کمک کند. به‌عنوان یک پیشنهاد تحقیقاتی و کاربردی برای متخصصین و آیندگان با تعمیم این روش به کلاس مای بیشتر می‌توان تمام بیماری مای شبکیه را پوشش داد و از آن به‌عنوان ابزاری بالقوه موثر در تشخیص کامپیوتری و غربالگری بیماری‌های شبکیه و یا در حوزه مای وسیع‌تر چشم استفاده نمود.

Automatic recognition of retinal diseases using mathematical models of image processing, based on multilayerdictionary learning

Background and Objective:Image processing is one of the most important issues in the field of artificial intelligence, which is used in various industrial, medical, military, and security systems. One of the most important applications of image processing is the extraction of different types of classification in the field of medical sciences. By using powerful algorithms in this field, intelligent systems can be invented that automatically understand and interpret the medical characteristics of individuals without the need to the physician supervision can discover useful information to help experts make good judgments. When the necessary parameters for the diagnosis of the disease increase, the diagnosis and prognosis of the disease becomes very difficult even for an expert, which is why computer diagnostic tools have been used in recent decades to help the physicians. This has led to a reduction in possible errors due to fatigue or inexperience of the specialist, and to provide the required medical data to the physician in less time and with more detail and accuracy. The purpose of this study is to improve the classification of new methods using a multilayered model to address retinal diseases diagnosis. Methods: This paper presents a multilayer dictionary learning method for classification tasks.  Our multilayer 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: Duke spectral domain OCT (SDOCT) dataset, consisting of volumetric scans acquired from 45 subjects 15 normal subjects, 15 AMD patients, and 15 DME patients. Findings: 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. Conlusion: The results of this study were to provide an automatic system for the diagnosis of some retinal abnormalities in a way that it could do data analysis with high accuracy in comparison to other modern methods to diagnosis delicate patterns of OCT, separate images of normal and patient the normal and in two agerelated macular degeneration diseases (AMD), and diabetic macular degeneration (DME), and help the physician to diagnose retinal pathology with great care. As a suggestion for professionals and future research, by generalizing this method to the more classes, we can cover the entire retinal myopia and use it as a potentially effective tool in computerized diagnosis and screening for retinal disease or in the wider eye area.   ===================================================================================== COPYRIGHTS  ©2019 The author(s). This is an open access article distributed under the terms of the Creative Commons Attribution (CC BY 4.0), which permits unrestricted use, distribution, and reproduction in any medium, as long as the original authors and source are cited. No permission is required from the authors or the publishers.  =====================================================================================