ارائه مدلی هوشمند جهت تشخیص سطح توسعه رتینوپاتی دیابتی با استفاده از استخراج الگوی رگ های 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 تاثیرقرار می گیرد. رتینوپاتی دیابتی اگر به موقع تشخیص و درمان نشود، بینایی بیمار را تهدید و در نهایت باعث کوری کامل می شود. در میانعلائم بالینی مختلف، میکروآنوریسم به عنوان اولین علامت رتینوپاتی دیابتی ظاهر می شود. تشخیص دقیق و مطمئن میکروآنوریسم ها به دلیلاندازه کوچک و کنتراست کم آن یک مشکل چالش برانگیز است. تشخیص موفقیت آمیز میکروآنوریسم ها برای برنامه ریزی صحیح و درمان مناسب بیماری در مراحل اولیه مفیدتر خواهد بود. در این مقاله، ما روشی برای طبقه بندی تصاویر پزشکی از شبکیه چشم به منظور تشخیصدقیق سطح توسعه رتینوپاتی دیابتی ارائه می کنیم. روش پیشنهادی ما دارای شش مرحله اصلی است که در مراحل یک تا چهار ابتدا تصویر ورودی تحت پیشپردازش قرار می گیرد. در مرحله اول؛ تشخیص رگ های 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 لبه یابی تبدیل هاف دایرهای، مرحله چهارم؛ تشخیص میکروآنوریسم ها با استفاده از حذف رگهای خونی، لبه دایرهای و دیسک نوری تشخیص داده شده در تصویرو سپس استفاده از تبدیل هاف دایرهای انجام می گیرد. در مرحله پنجم استخراج ویژگی با در نظر گرفتن دو ویژگی، ناحیه رگ های خونی و ناحیه میکروآنوریسم ها و چهار ویژگی به دست آمده از ماتریس هم رخداد سطح خاکستری، انجام می شود. در نهایت مرحله ششم طبقه بندی با استفاده از طبقه بند SVM می باشد. عملکرد مدل را با استفاده از پایگاه داده تصاویر فوندوس شبکیه، EyePacs ارزیابی کرده و به ترتیب دقت و تشخیص پذیری ۹۸%، ۹۸.۷۵٪ را بدست آوردیم. نتایج تجربی نشان می دهد که مدل پیشنهادی ما از نظر معیارهای ارزیابی در مقایسه با روش های دیگر بهتر عمل می کند