ناحیه بندی تصاویر شبکیه ی چشم با روش اتوماتای سلولی یادگیر فازی به منظور تشخیص ترشحات التهابی و جراحت شدید

سال انتشار: 1403
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 101

فایل این مقاله در 19 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ECMECONF20_042

تاریخ نمایه سازی: 21 شهریور 1403

چکیده مقاله:

هدف: تصاویر دیجیتال شبکیه ی چشم(retinal images) به طور معمول برای تشخیص ترشحات التهابی(hard exudates)و جراحت های شدید مورد استفاده قرار می گیرند. این تصاویر به ندرت بدون نویز بوده و بنابراین پیش از هر پردازش دیگر باید به درون فرآیند حذف نویز(noise removal) بروند. یک روش ناحیه بندی(segmentation) موثر مورد نیاز است تا جراحت ها را از ناحیه ی شبکیه تشخیص دهد. روش بررسی: در این مقاله، یک روش ترکیبی(hybrid method) به منظور پردازش تصاویر دیجیتال شبکیه ی برای اهداف تشخیص جراحات ارایه می گردد. هدف این مطالعه و تحقیق این است که رویکردی نظارت شده/ نیمه نظارت شده برای تشخیص ترشحات التهابی در تصاویر از قعر چشم(fundus images) ارایه و همچنین روشی برای یافتن ساختار بهینه بررسی شود. ابتدا روش تبدیل ریپلت(Ripplet transform) و سایکل اسپینینگ برای حذف نویزها و موارد مصنوعی استفاده می گردد. نویزها ممکن است حالتی طبیعی داشته یا هر شکل معمولی باشند که اتفاق می افتد مانند نمک و فلفل(salt and pepper). پس از اینکه تصویر بدون نویز شد، به درون دامنه ی فازی(fuzzy domain) تبدیل می شود. یک مدل اتوماتای (ماشین خودکار) سلولی یادگیر(cellular learning automata )برای تشخیص هر مورد غیرطبیعی روی تصاویر که مرتبط با جراحت هستند، مورد استفاده قرار می گیرد. این ماشین خودکار با یک عبارت اضافه به عنوان عبارت بروزرسانی کننده ی قانون(rule updating term) ایجاد می شود تا بازدهی و سازگاری اتوماتای سلولی را بهبود بخشد. انتخاب قانون و بروزرسانی قانون به صورت خودکار انجام و واگذاری های پاداش(score )و جریمه(penalty) به سلول ها در طول فرآیند ناحیه بندی اعمال می شوند. سه معیار آماری اصلی به صورت حساسیت(sensitivity )، ویژگی(specificity) و دقت(accuracy) معرفی می شوند. یافته ها: تعداد ۵۰ تصویر شبکیه با ترشحات التهابی و جراحات قابل رویت، مجموعه داده های آزمایشگاهی برای ارزیابی و راستی آزمایی روش هستند. برای مجموعه داده های تصاویر شبکیه ی استار(STARE )، برای همسایگی ۵×۵، پاداش ϑ=۰/۰۱، جریمه ی ξ=۰/۰۱، نسبت تغییرات کلی حالت در سه چرخه ی پشت سرهم دراتوماتای سلولیη ̅=۰/۵ مقدار اضافه شونده ی بروزرسانی σ=۰/۰۲، مقدار آستانه ی انتخاب قانون ρ=۰/۸، مقدار میانگین معیارهای آماری در طول تمامی مجموعه داده ها، می تواند به ۹۹% برسد که ارزیابی عالی برای روش پیشنهادی است. نتیجه گیری: نتایج مقاله نشان می دهد که حذف نویز دقت بخش بندی تصاویر شبکیه را افزایش داده و اتوماتای سلولی در ترکیب با تئوری فازی روشی کارا برای بخش بندی تصاویر می باشد.

نویسندگان

هادی چهکندی نژاد

دکتری مهندسی کنترل و عضو هیات علمی دانشگاه آزاد اسلامی واحد بیرجند