بکارگیری الگوریتم ماشین بردار پشتیبان برای افزایش دقت تشخیص بیماری رتینوپاتی از طریق طبقه بندی تصاویر B- اسکن

معصومه صادقی اصل¹ سوزان قلعه باغی²

1) کارشناسی ارشد مهندسی پزشکی گرایش بیوالکتریک، دانشگاه آزاد اسلامی واحد تهران جنوب ، ایران
2) دکترای مدیریت تجهیزات پزشکی . استاد دانشگاه آزاد اسلامی واحدتهران جنوب، ایران

محل انتشار : سومین کنفرانس بین المللی پژوهش های کاربردی در علوم و مهندسی - دانشگاه مارمارا ترکیه(3carse.com)
چکیده :
رتینوپاتی دیابتی یکی از دلایل شایع نابینایی در جهان محسوب می شود. تشخیص و درمان بموقع این بیماری میتواند تا % ۵۰ از نابینایی جلوگیری کند. افزایش روزافزون بیماران دیابتی و کمبود پزشکان متخصص و همچنین به دلیل کیفیت نامناسب تصاویر دریافتی از B- اسکن ، مانع از تشخیص به موقع رتینوپاتی دیابتی شده است. معمولاً در مرحله رتينوپاتی زمينه ای علامتی وجود ندارد اگرچه ممکن است در صورت ایجاد تورم مرکز دید، تاری دید بصورت تدریجی ایجاد شود ولی بیمار هرگز به تغيير ميزان دید خود پی نمی برد. به همین دلیل اولین اقدام معاینه چشم به کمک B- اسکن است. دستگاه های B- اسکن قابلیت این را دارند که آناتومی و شکل داخلی چشم را با دقت مشخص کنند، بنابراین در مواردی که مانعی برای ارزیابی شبکیه وجود دارد مانند زمانی که آب مروارید شدید یا خونریزی زجاجیه وجود دارد اطلاعات دقیقی ازشبکیه می توان به دست آورد. هدف از این پژوهش استفاده ازالگوریتم ماشین بردار پشتیبان جهت بهبود کارایی روش تصویربرداریB-اسکن در تشخیص موثر بیماری رتینوپاتی است .از جمله اهداف جزئی آن تعیین مقدار آستانه ،سنجش درصد خطا و درستی الگوریتم،انجام پیش پردازش و شمارش میکرو آنوریسم ها بوده است. از جمله فرضیات پژوهش این بوده است که تصویر چشم بیمار رتینوپاتی حتما دارای میکروآنوریسم است و در شمارش آنها ، از الگوریتم ماشین بردار پشتیبان استفاده شد. با انجام مرحله پیش پردازش برروی تصاویر B-اسکن ، توانستیم عملکرد الگوریتم در شناسایی بیماری رتینوپاتی را بهبود بخشیم. متغیرهای تحقیق شامل شمارش میکروآنوریسم، تعیین مقدارآستانه وتعدادکلاس های تصاویر بوده است. روش اجرا و نتیجه گیری بدین صورت بوده است که ما در ابتدا ، از روش های پیش پردازش و پيدا كردن و شمارش ميكروآنوريسم ها تصویر مناسبی را بدست آوردیم. سپس ویژگی های محلی پیکسل ها را استخراج نموده و از آن ویژگی در روش آموزش تحت نظارت با استفاده از ماشین بردار پشتیبان استفاده کرده و عمل دسته بندی بر اساس ناحیه صورت پذیرفت. درنهایت تصویر از لحاظ دارا بودن بیماری مورد ارزیابی قرار گرفت.
کلمات کلیدی : B- اسکن رتینوپاتی دیابتی ماشین بردار پشتیبان