یک روش کارآمد برای طبقه بندی چندکلاسه ی خودکار تصاویر SD-OCT چشم انسان بر پایه ی استخراج لایه ی RNFL و پیوند IS/OS شبکیه و الگوریتم درخت تصمیم ترکیبی

بررسی شهودی لایه های شبکیه در تصاویر برش نگاری همدوسی اپتیکی حوزه ی طیف (SD-OCT) یکی از روش های اصلی مورد استفاده ی پزشکان برای تشخیص بیماری های شبکیه است. این روش با چالش هایی مانند نویز، پیچیدگی تصاویر و نزدیکی لایه های شبکیه مواجه می باشد. در سال های اخیر تشخیص خودکار بیماری های شبکیه ی چشم به یکی از موضوعات مهم بالینی در حوزه ی بینایی کامپیوتر تبدیل شده است. در این تحقیق روشی جدید برای طبقه بندی کارآمد چندکلاسه ی خودکار تصاویر SD-OCT ارائه شده که متشکل از پنج مرحله ی پیش پردازش، تشخیص لایه ها، استخراج ویژگی ها، کاهش بعد، و طبقه بندی تصویر است. بررسی شکل لایه ی RNFL و پیوند IS/OS به عنوان روشی بالینی در تصمیم گیری های پزشکان برای تشخیص بیماری های شبکیه موثر است. از این رو در این پژوهش با الهام از این روش تشخیص بالینی، لایه ی RNFL و پیوند IS/OS توسط روشی جدید مبتنی بر الگوریتم بهبود رگ فرنگی و گرادیان تصویر تشخیص داده شده است. سپس با استخراج و انتخاب انواعی از ویژگی های موثر از لایه ها، الگوریتمی بر پایه ی درخت تصمیم ترکیبی برای طبقه بندی تصاویر شبکیه پیشنهاد شده و در قالب یک نرم افزار کاربردی در متلب ارائه شده است. روش پیشنهادی روی تصاویر دو پایگاه داده ی شناخته شده ی دوک و کرمنی ارزیابی شده است. بر اساس نتایج، دقت، حساسیت، اختصاصیت، درستی، نرخ منفی نادرست و معیار F۱ روش پیشنهادی در پایگاه داده ی دوک به ترتیب برابر با ۷/۹۸، ۸/۹۸، ۴/۹۹، ۱/۹۹، ۳/۱ و ۷/۹۸ درصد و در پایگاه کرمنی به ترتیب برابر با ۸/۹۶، ۷/۹۶، ۹/۹۸، ۴/۹۸، ۲/۳ و ۷/۹۶ درصد است. نتایج نشان دهنده ی برتری روش پیشنهادی در مقایسه با سایر روش های مقایسه ای است. در مجموع به کارگیری ویژگی های کارآمد از لایه های تاثیرگذار شبکیه و توانمندی روش طبقه بندی، موجب ارتقای عمل کرد روش پیشنهادی در مقایسه با روش های پیچیده تر پیشین شده است.

کلیدواژه ها:

برش نگاری همدوسی اپتیکی حوزه ی طیف ، شبکیه ، فرنگی ، درخت تصمیم ترکیبی ، طبقه بندی