نوع مقاله : مقاله کامل پژوهشی
نویسنده
گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز ایران
چکیده
بررسی شهودی لایه‌های شبکیه در تصاویر برش‌نگاری همدوسی اپتیکی حوزه طیف (SD-OCT) یکی از روش‌های اصلی مورد استفاده‌ی پزشکان برای تشخیص بیماری‌هایی شبکیه است. این روش با چالش‌هایی مانند نویز، پیچیدگی تصاویر و نزدیکی لایه‌ّهای شبکیه مواجه می‌باشد. در سال‌های اخیر تشخیص خودکار بیماری‌های شبکیه چشم به یکی از موضوعات مهم بالینی در حوزه بینایی کامپیوتر تبدیل شده است. در این تحقیق، روشی جدید برای طبقه‌بندی کارآمد چندکلاسه خودکار تصاویر SD-OCT ارایه گردیده است. این روش متشکل از پنج مرحله پیش‌پردازش، تشخیص لایه‌ها، استخراج ویژگی‌ها، کاهش بعد، و طبقه‌بندی تصویر است. بررسی شکل لایهی RNFL و پیوند IS/OS به‌عنوان روشی بالینی در تصمیم‌گیری‌های پزشکان برای تشخیص بیماری‌های شبکیه موثر هستند. ازاین‌رو در این پژوهش، با الهام از این روش تشخیص بالینی، لایه RNFL و پیوند IS/OS توسط روشی جدید مبتنی بر الگوریتم بهبود رگ فرنگی و گرادیان تصویر تشخیص داده شده‌اند. سپس با استخراج و انتخاب انواعی از ویژگی‌های موثر از لایه‌ها، الگوریتمی برپایه درخت تصمیم ترکیبی برای طبقه‌بندی تصاویر شبکیه پیشنهاد گردیده و در قالب یک نرم‌افزار کاربردی در متلب ارایه شده است. روش پیشنهادی بر روی تصاویر دو پایگاه داده شناخته شده دوک و کرمنی ارزیابی گردیده است. بر اساس نتایج، دقت، حساسیت، اختصاصیت، درستی، نرخ منفی نادرست و معیار F1 روش پیشنهادی در پایگاه داده دوک به ترتیب برابر 7/98، 8/98، 4/99، 1/99، 3/1 و 7/98 درصد و در پایگاه کرمنی به ترتیب برابر 8/96، 7/96، 9/98، 4/98، 2/3، 7/96 درصد است. نتایج نشان‌دهنده برتری روش پیشنهادی در مقایسه با دیگر روش‌های مقایسه‌ای است. درمجموع بکارگیری ویژگی‌های کارآمد از لایه‌های تاثیرگذار شبکیه و توانمندی روش طبقه‌بندی، موجب ارتقای عملکرد روش پیشنهادی در مقایسه با روش‌های پیچیده‌تر پیشین شده است.
کلیدواژه‌ها
موضوعات
عنوان مقاله [English]
An Efficient Method for Automatic Multi-class Classification of SD-OCT images of Human Eye Based on RNFL layer and the IS/OS junction detection and Ensemble Decision Tree
نویسنده [English]
- Sina Shamekhi
Bioelectric Department, Faculty of Biomedical Engineering, Sahand University of Technology, Tabriz, Iran
چکیده [English]
Intuitive examination of retinal layers in Spectral-domain Optical Coherence Tomography (SD-OCT) images is one of the main methods used by physicians to diagnose retinal diseases. This method faces challenges such as noise and image complexity and the proximity of retinal layers. In recent years, the automatic diagnosis of retinal diseases has become an important clinical issue in computer vision. In this research, a new method for efficient multi-class automatic classification of SD-OCT images has been proposed. This method consists of five stages, preprocessing, layer recognition, feature extraction, and image classification. Examination of the shape of the RNFL layer and IS/OS junction as a clinical method is influential in physicians' decisions to diagnose retinal diseases. Therefore, in this study, inspired by this clinical diagnosis method, the RNFL layer, and the IS/OS junction have been detected by a new method based on the Frangi vessel enhancement algorithm and the gradient of the image. Then, by extracting and selecting several efficient features from the curves of the layers, an algorithm based on the ensemble decision tree has been proposed for classifying SD-OCT images of the retina and presented as a MATLAB application. The proposed method has been evaluated using images of two well-known databases of Duke and Kermany. Based on the results, precision, sensitivity, specificity, accuracy, miss rate and F1-score of the proposed method in Duke database were equal to 98.7, 98.8, 99.4, 99.1, 1.3, and 98.7, respectively, and in Kermany database were 96.8, 96.7, 98.9, 98.4, 3.2 and 96.7 respectively. The results show the superiority of the proposed method compared to other comparative methods. In summary, the use of efficient features of retinal effective layers and a powerful algorithm for classification has improved the performance of the proposed method compared to previous more complex methods.
کلیدواژه‌ها [English]
- SD-OCT
- Retina
- Frangi
- Ensemble Decision Tree
- Classification
)