بهبود عملکرد شبکه عصبی MLP در طبقه بندی تصاویر شبکیه چشم جهت تشخیص خودکار بیماری گلوکوم مبتنی بر قطعه بندی تصویر

در این مقاله، از طریق طبقه‎بندی تصایر رنگی شبکیه‎ی چشم، یک سیستم تشخیص خودکار پزشکی برای بیماری آب سیاه طراحی می‎شود. در تصویر شبکیه نشانه‎های بیماری آب سیاه، در ناحیه سرعصب بینایی ظاهر می‎شود.در اکثر موارد تشخیص بیماری در زمان مناسب انجام نمی‎گیرد و یک سیستم کمک تشخیص پزشکی می‎تواند بسیار مفید واقع شود. روش پیشنهادی شامل پنج بخش 1- پیش پردازش تصویر، 2- مکان‎یابی و استخراج خودکار دیسک‎ نوری ، 3- تولید ماسک‎های باینری، 4-استخراج ویژگی و 5- طبقه بندی تصاویر است. در این مقاله الگوریتمی جدید جهت استخراج الگوی رگها مبتنی بر فیلتر تقویت بالا و تبدیل پایین کلاه مورفولوژی ارایه می‎گردد.ایده اصلی در بخش استخراج ویژگی این است که ویژگی ها به صورت محلی استخراج شوند تا قابلیت تفکیک پذیری بالاتری داشته باشند، که شامل توصیف گرهای آماری سطوح شدت داخل دیسک‎نوری و ویژگی بافت حاشیه اطراف آن است. در این مقاله در بخش طبقه بندی برای بالا بردن قابلیت تعمیم شبکه عصبی MLP و جلوگیری از بیش برازش آن، روش جدیدی بر پایه رویکرد توقف زود هنگام و تحلیل T2 ارایه می‎گردد.روش پیشنهادی بر روی پایگاه داده استاندارد تصاویر شبکیه آزمایش شده، که 100 تصویر سالم و 82 تصویر بیمار با دقت 96% درصد طبقه بندی شده است.

کلیدواژه ها:

طبقه بندی تصاویر رنگی شبکیه چشم ، قابلیت تعمیم شبکه عصبی ، قطعه بندی تصویر ، تبدیل کرولت گسسته سریع ، تبدیل پایین کلاه مورفولوژی ، ماتریس هم وقوعی سطح خاکستری ، بیماری آب سیاه