ﻲﻠﺤﻣ ﻥﻭﺩﺍﺭ ﻞﻳﺪﺒﺗ ﺎﺑ ﻢﺸﭼ ﺭﺩ ﻢﺴﻳﺭﻮﻧﺁﻭﺮﻜﻴﻣ ﺭﺎﻛﺩﻮﺧ ﻱﺯﺎﺳﺭﺎﻜﺷﺁ ﻢﺸﭼ ﻪﻴﻜﺒﺷ ﻲﻤﻗﺭ ﻲﮕﻧﺭ ﺮﻳﻭﺎﺼﺗ ﺭﺩ ﻢﺴﻳﺭﻮﻧﺁﻭﺮﻜﻴﻣ ﺭﺎﻛﺩﻮﺧ ﻱﺯﺎﺳﺭﺎﻜﺷﺁ ﻲﻠﺤﻣ ﻥﻭﺩﺍﺭ ﻞﻳﺪﺒﺗ ﺵﻭﺭ ﺎﺑ

Transcript

1 ا شكارسازي خودكار ميكروا نوريسم در چشم با تبديل رادون محلي ا شكارسازي خودكار ميكروا نوريسم در تصاوير رنگي رقمي شبكيه چشم با روش تبديل رادون محلي ۲ ۱ حميدرضا پوررضا محمد حسين بحريني طوسي عليرضا مهديزاده - ۱ دانشيار گروه مهندسي كامپيوتر دانشگاه فردوسي مشهد ايران *۳ رضا پوررضا - ۲ استاد گروه فيزيك پزشكي مركز تحقيقات فيزيك پزشكي دانشگاه علوم پزشكي مشهد ايران. - ۳ استاديار مركز تحقيقات فيزيك و مهندسي پزشكي دانشگاه علوم پزشكي شيراز ايران. - ۴ دانشجوي دكتراي تخصصي گروه مهندسي كامپيوتر دانشگاه فردوسي مشهد ايران. ۵ ۴ ميثم توكلي - ۵ دانشجوي كارشناسي ارشد گروه فيزيك پزشكي مركز تحقيقات فيزيك پزشكي دانشگاه علوم پزشكي مشهد ايران. تاريخ دريافت : ۵ ۸۷ / ۱۰ / تاريخ پذيرش مقاله : ۱۵ ۸۷ / ۱۲ / چكيده مقدمه : رتينوپاتي ديابتي جزو خطرناكترين و شايعترين بيماريهاي سيستم بينايي انسان به شمار ميا يد و اصليترين عامل نابينايي در بزرگسالان بين ۲۰ تا ۶۰ سال ميباشد. طبق ا مار منتشر شده حدود % ۲ از افرادي كه مدت ۱۵ سال از ابتلا به ديابت ا نها گذشته است كاملا فاقد بينايي هستند و حدود ۱۰ % از اين افراد از اختلالات بينايي رنج ميبرند. تشخيص كه از اولين علاي م ا شكار بيماري رتينوپاتي ديابتي در شبكيه چشم هستند باعث تشخيص اين بيماري در مراحل ابتدايي ا ن ميشود در اين مقاله به معرفي روشي نوين براي ا شكارسازي خودكار ميكروا نوريسم در تصاوير رنگي شبكيه چشم پرداخته شده است. مواد و روشها : روش مذكور داراي سه مرحله اصلي است كه در مرحله اول تصوير ورودي تحت پيشپردازش قرار ميگيرد تا بصورت تصويري با پسزمينه يكنواخت و كنتراست مناسب درا يد. در مرحله دوم با استفاده از تبديل رادون محلي نقاط كانديدا از تصوير ا شكارسازي ميشوند. در مرحله سوم با بهرهگيري از روش طبقه بندي SVM نقاط كانديدا تحت ا زمون قرار ميگيرد تا اعتبار ا نها تا ييد و يا رد شود. براي ا زمايش الگوريتم از يك مجموعه شامل ۱۰۰ تصوير شبكيه كه نقاط مربوط به ميكروا نوريسم ا نها توسط چشمپزشك مشخص شده بود استفاده شده است. نتايج : مطابق اين روش نرخ حساسيت بدست ا مده در تشخيص بيماري برابر % ۱۰۰ ودر تشخيص دقيق مكان عارضه برابر % ۹۷ و نيز ويژگي در تشخيص بيماري % ۹۰ و تعداد ميانگين تشخيص خطاي مثبت برابر ۵ بوده است. بحث و نتيجهگيري : اعداد بدست ا مده براي نرخ حساسيت و نيز ميانگين تشخيص خطاي مثبت اين الگوريتم را جزو دقيقترين الگوريتمهاي اين حوزه قرار ميدهد ضمن اينكه در اين الگوريتم به دليل استفاده از تبديل رادون حساسيت به نويز موجود در تصاوير حذف شده و الگوريتم در مقابل اين پديده اجتنابناپذير مقاوم ميباشد. ) مجله فيزيك پزشكي ايران دوره ۶ شماره ۱ پياپي ۲۲ بهار - ۲۰ : ۸۸ ۱۳ ( واژگان كليدي : تبديل رادون محلي رتينوپاتي ديابتي ميكرو ا نوريسم * نويسنده مسو ول : عليرضا مهديزاده ا درس : شيراز مركز تحقيقات فيزيك و مهندسي پزشكي دانشكاه علوم پزشكي شيراز Mehdizade@sums.ac.ir تلفن و نمابر : ۲۳۴۹۳۳۲ - ) ۷۱۱ ( +۹۸ / ۱۳ مجله فيزيك پزشكي ايران دوره ۶ شماره ۱ پياپي ) ۲۲

2 حميدرضا پوررضا و همكاران - ۱ مقدمه ۱ رتينوپاتي ديابتي جزو خطرناكترين و شايعترين بيماريهاي سيستم بينايي انسان به شمار ميا يد و اصليترين عامل نابينايي در بزرگسالان بين ۲۰ تا ۶۰ سال ميباشد. طبق ا مار منتشر شده حدود % ۲ از افرادي كه مدت ۱۵ سال از ابتلا به ديابت ا نها گذشته است كاملا فاقد بينايي هستند و حدود ۱۰ % از اين افراد از اختلالات بينايي رنج ميبرند ] ۱ ]. ۲ همچنين بر اساس ا مار ديگري در ا مريكا سالانه هزينهاي معادل ديابت هزينه ميشود ] ۳ ]. ۵۰۰ ميليون دلار به دليل كوري ناشي از علت بيماري رتينوپاتي ديابتي افزايش ميزان گلوكز در خون است كه منجر به ايجاد تغييراتي در ديواره عروق ميشود. اولين نشانه ايجاد تغييرات در ديواره عروق ۲ هستند كه بصورت لكههاي قرمز رنگ كوچكي در سطح شبكيه ظاهر ميشوند. به تنهايي باعث ايجاد نابينايي نميشوند بلكه عدم توجه به بيماري و توسعه ا ن منجر به ايجاد عروق جديد و همچنين ديگر عوارض و نهايتا منتج به اختلالات بينايي ميشود. لذا تشخيص در تصوير شبكيه به منزله تشخيص رتينوپاتي ديابتي در مراحل اوليه ابتلا به ا ن و اقدام براي پيشگيري درمان و جلوگيري از نابينايي است.[ ۴ ] بعلت اهميت فراوان ا شكارسازي در تشخيص خودكار و نيمهخودكار بيماري رتينوپاتي ديابتي تحقيقات زيادي در اين زمينه انجام و نتايج ا نها منتشر شده است. در اكثر مقالات موجود تصاوير تحت پردازش ۳ ا نژيوگرافيهاي فلوي ورسين هستند. كه در اين تصاوير بصورت لكههاي كوچك روشن با شكل گرد رويت ميشوند. اما در صورت پردازش مولفه سبز تصاوير رنگي مسي له مشابه حالت قبل ميباشد. تنها تفاوت اين دو مورد اين است كه در مو لفه سبز بصورت لكههاي تاريك ديده ميشوند. همچنين كنتراست ا نژيوگرافي فلوي ورسين نسبت به پيشزمينه در نسبت به مو لفه سبز تصاوير در فضاي رنگ قرمز - سبز - ا بي بيشتر ميباشد. لذا نتايج كلي روشها با يكديگر قابل مقايسه مي باشند. اولين الگوريتم تشخيص در سال اراي ه شده كه تصاوير ورودي ا ن بصورت ا نژيوگرافي فلوي ورسين بوده است. ۱۹۸۳ تصاوير در اين الگوريتم از ۴ عملگر مورفولوژيك باز كردن با عنصر ساختاري خطي كه در جهت هاي مختلف قرار ميگيرد استفاده شده است. بدين ترتيب نتيجه عمليات باز كردن حذف و حفظ نقاط مربوط به عروق شبكيه ميباشد. با تفريق حاصل باز كردن از تصوير اوليه نتيجه نهايي حاصل شده است ] ۵ ]. اين الگوريتم مبناي بسياري از مقالات منتشر شده بعدي نيز بوده است. در روش ديگري كه مبناي ا ن فيلترهاي منطبق ميباشد براي بهبود نتايج استفاده از حذف سايه و نرمالسازي بازه ديناميكي تغييرات سطوح خاكستري پيشنهاد شده است ] ۶ ]. همين محقق در سال ۱۹۹۶ روش جديدي را پيشنهاد داد كه كاملا متفاوت از رويكرد قبلي بود. در اين روش از تبديل مورفولوژيك top hat استفاده شده و پس از بدست ا مدن نتايج اوليه با استفاده از يك روش طبقهبندي نتايج بهبود داده شده است [۷]. الگوريتمهاي مشابهي در سالهاي ۲۰۰۲ و ۲۰۰۳ اراي ه شده است كه بناي تشخيص اوليه در ا نها عملگر مورفولوژيك ۵ بستن ميباشد. در هر دوي اين الگوريتمها از روش طبقه ۶ بندي نزديك ترين همسايگي K ام جهت تصميم سازي 4 Opening 5 Closing 6 KNN 1 Diabetic Retinopathy 2 Microaneurysm 3 Fluorescein Angiographies / ۱۴ مجله فيزيك پزشكي ايران دوره ۶ شماره ۱ پياپي ) ۲۲

3 ا شكارسازي خودكار ميكروا نوريسم در چشم با تبديل رادون محلي نهايي استفاده شده است ] ۸.[ ۹ ا خرين روش اراي ه شده در اين حوزه كه در ا ن براي افزايش كنتراست تصوير از روش بهبود تصوير با چند جملهاي بصورت محلي استفاده شده است. همچنين با حذف سايههاي تصوير كيفيت ا ن ارتقاء داده شده است. در اين روش براي تشخيص اوليه عملگر بستن بكار گرفته شده است و نقاط كانديدا در مرحله نهايي پس از استخراج بردار ويژگي ۱۵ بعدي با استفاده از روش تخمين هسته توزيع طبقه بندي گرديدهاند ] ۴ ]. مروري بر تحقيقات اين حوزه نشان ميدهد كه كليه روشهاي موجود داراي مبناي مورفولوژيك هستند و رويكرد مشابهي به مسا له ا شكارسازي دارند. در حاليكه در اين مقاله روشي اراي ه شده است كه با رويكردي كاملا متفاوت به حل مسا له پرداخته است كه مبناي ا ن تبديل رادون ميباشد. - ۲ مواد و روشها الگوريتم پيشنهادي داراي سه مرحله اصلي ميباشد كه عبارتند از پيشپردازش تشخيص نقاط كانديدا طبقهبندي. شكل ۱ شماي كلي اين الگوريتم را نمايش ميدهد. شكل - ۱ شماي كلي الگوريتم تصوير ورودي اين سيستم يك تصوير رنگي تهيه شده از شبكيه چشم در فضاي قرمز - سبز - ا بي و تصوير خروجي ا ن يك تصوير ۱ دودويي است كه نقاط مربوط به در ا ن با رنگ سفيد نمايش داده شدهاند. توضيحات مربوط به بخشهاي مختلف سيستم در زير بخشهاي - ۳ ۱ تا - ۳ ۳ ا ورده شده است. پيشپردازش تصاوير ورودي الگوريتم در فضاي رنگ قرمز - سبز - ا بي پردازش ميشوند. كنتراست پسزمينه در مو لفه به علت خصوصيات رنگي بين و سبز نسبت به ديگر مو لفهها بالاتر بوده و اين مو لفه جهت پردازشهاي بعدي انتخاب شده است. يكي از مشكلات تصاوير شبكيه عدم يكنواخت بودن سطح روشنايي پسزمينه در سراسر تصوير ميباشد كه اين امر بر عملكرد الگوريتم پيشنهادي كه مبناي ا ن تبديل دارون و انتگرالگيري است تا ثير منفي دارد. براي رفع اين مشكل از عمليات همسانسازي هيستوگرام استفاده شده است. نتيجه اين كار تصويري است كه علاوه بر برخورداري از پسزمينه نسبتا يكنواخت داراي كنتراست بهبود يافته بين پيكسلهاي پيكسلهاي و پسزمينه ميباشد كه منجر به افزايش قدرت تميزدهي بين اين دو دسته پيكسلها ميشود. ديگر مشكل مرتبط با تصاوير كه در فرايند ا شكارسازي وجود دارد حضور پارامترهايي در الگوريتم است كه براي هر يك از تصاوير ورودي بايد تنظيم گردند. براي حل اين مسا له و دستيابي به مقادير يكسان براي كليه تصاوير تنظيم پارامتها براي يك تصوير مرجع انجام ميشود و سپس براي تصوير ورودي هيستوگرام مو لفه شكل هيستوگرام مو لفه سبز تصوير ورودي به سبز تصوير مرجع تغيير شكل داده ميشود براي اين منظور از عمليات مشخصسازي هيستوگرام استفاده شده است. بدين ترتيب با انجام دو عمليات همسانسازي و مشخصسازي هيستوگرام مو لفه بخش كه سبز پيشپردازش الگوريتم را تشكيل ميدهند دستيابي به تصاويري با پسزمينه يكنواخت كنتراست بهبود يافته و هيستوگرامهاي مشابه محقق ميشود. 1 Binary / ۱۵ مجله فيزيك پزشكي ايران دوره ۶ شماره ۱ پياپي ) ۲۲

4 حميدرضا پوررضا و همكاران در تصوير پيشپردازش شده I كه نسبت به پسزمينه تيرهتر ميباشند. لذا با محاسبه مكمل مو لفه ناميده ميشود تيرهتر خواهند بود. سبز ها از پسزمينه اين كار باعث ميشود كه پس از محاسبه تبديل رادون ها با پيكهاي تبديل رادون ) بجاي درههاي ا ن ( متناظر باشند. تشخيص نقاط كانديدا روش پيشنهادي براي تشخيص نقاط كانديدا بر مبناي تبديل رادون محلي عمل ميكند. I لذا بدست ا مده از مرحله پيشپردازش بايد به پنجرههايي به شكل مربع كه داراي همپوشاني هستند بخشبندي سپس شود و ها در هر پنجره ا شكارسازي گردند. طول ضلع پنجره n تا ثير مستقيمي بر فرا يند ا شكارسازي دارد انتخاب پنجرهاي با ابعاد بزرگ منجر به كاهش دقت ا شكارسازي ميشود زيرا كه بصورت لكه روشني در فضاي پنجره واقع است باعث ايجاد يك پيك در فضاي رادون ميشود درحاليكه با انتخاب n بزرگ تا ثير بر اين پيك كمتر شده و تشخيص ا ن مشكلتر خواهد بود. پنجرهاي با ابعاد بسيار كوچك ) حتي كمتر از قطر ( باعث ميشود كه هيچ ميكروا نوريزمي بطور كامل در فضاي پنجره قرار نگرفته و لذا ا شكارسازي نگردد. دريافتيم كه با انتخاب قطر ميشود. n بصورت تجربي در پيادهسازي معادل تقريبا دو برابر ميانگين هاي تصاوير بهترين نتايج حاصل پارامتر ديگري كه بر دقت الگوريتم تا ثيرگذار است نرخ همپوشاني پنجرهها ميباشد پنجرههاي غير همپوشان به شدت دقت الگوريتم را كاهش ميدهند زيرا ممكن است هايي وجود داشته باشند كه بين دو پنجره مجاور واقع شوند و توسط هيچيك از پنجرهها پوشش داده نشوند درصورتيكه با انتخاب پنجرههاي همپوشان هر در فضاي حداقل يك پنجره واقع خواهد شد. به اين منظور پارامتري به نام گام ) step ( تعريف شده است كه تركيب ا ن با n نرخ همپوشاني پنجرههاي مجاور را تعيين ميكند. نحوه همپوشاني در شكل ۲ نمايش داده شده است. شكل - ۲ نحوه همپوشاني پنجرههاي مجاور پس از بخشبندي تصوير تبديل رادون به هر يك از پنجره اعمال شده و با تحليل تصوير در فضاي رادون حضور و يا عدم حضور مشخص ميشود. در پنجره تحت پردازش از ا نجاييكه تبديل رادون نسبت به نويزهاي موجود در تصوير حساس نيست روش پيشنهادي نسبت به نويز تصاوير مقاوم ميباشد. تبديل رادون تابع پيوسته دوبعدي g ( x, y ) x و y به ترتيب تنها در بازههاي كه در راستاي [ 1, Y ] [ و 1, X ] داراي مقدار است بصورت رابطه ) ۱ ( تعريف ميشود. Y X R ( ρ, θ) = g ( x, y ) δ ( ρ x cosθ y sin θ ) dxdy 1 1 R ( ρ, θ ) ( ۱ ) ( در رابطه ) ۱ تبديل رادون و ميباشد. در اين الگوريتم مقادير ) x δ ( تابع ديراك X ) و Y برابر ابعاد پنجره ) n ( است. با محاسبه تبديل رادون براي پنجره ورودي كه تابعي گسسته است ماتريسي حاصل ميشود كه هر ستون ا ن متناظر با تصوير پنجره در يك زاويه ميباشد. تبديل رادون بر مبناي انتگرالگيري عمل ميكند و به دليل اينكه طول قطر پنجره نسبت به طول ضلع ا ن بيشتر است احتمال وقوع پيك تبديل رادون در راستاي قطري ρ = n 2, θ 45 or θ 135 ( بيشتر ميباشد. براي رفع اين مشكل و حذف اثر زاويه پنجره ابتدا توسط يك ماسك دايروي فيلتر شده و سپس تبديل رادون به ا ن اعمال ميشود. ماسك استفاده شده و نحوه فيلتر نمودن در شكل ۳ نمايش داده است. / ۱۶ مجله فيزيك پزشكي ايران دوره ۶ شماره ۱ پياپي ) ۲۲

5 ج ) ب ) ا شكارسازي خودكار ميكروا نوريسم در چشم با تبديل رادون محلي ( ( ) الف ( شكل - ۳ نحوه فيلتر نمودن پنجره توسط ماسك الف ( پنجره ورودي ب ( ماسك ج ( پنجره فيلتر شده كه داراي روشنايي بيشتري نسبت به پسزمينه تصوير هستند در فضاي رادون ايجاد يك قله مينمايند. به خاطر الگوي دايروي اين لكههاي روشن قله ذكر شده در تمام زوايا وجود دارد لذا پنجرهاي كه حاوي است در كليه ستونهاي ماتريس رادون متناظر داراي يك قله خواهد بود. شكل دايروي باعث ميشود كه قله شكل گوسي بخود بگيرد همچنين با توجه به اينكه تغييرات قطر در شبكيه در بازه خاص و محدودي است توابع گوسي داراي پهناي مشابهي ميباشند. با توجه به اين توضيحات با مشاهده الگوي گوسي دركليه ستونهاي ماتريس رادون حضور تا ييد ميشود. اما به دليل مشكل بودن تشخيص الگوي گوسي از معيار سادهتري استفاده شده است كه شامل ۲ شرط ميباشد. در هر يك از ستونها بايد قلهاي مشاهده شود كه ارتفاع ا ن از مقدار ا ستانهاي بيشتر باشد. با فاصلهگيري از قله به اندازه خاصي بايد ارتفاع مو لفه مربوطه از ستون تست پردازش ماتريس رادون كمتر از مقدار ا ستانه ديگري باشد. به دليل اينكه تبديل رادون متا ثر از پس زمينه است ميزان روشنايي پسزمينه تا ثير چشمگيري بر دامنه اين تبديل در زواياي مختلف دارد. عليرغم يكنواخت نمودن نسبي پسزمينه در مرحله پيش پردازش هنوز اثر ا ن بطور كامل حذف نشده است. براي مستقل نمودن مقدار دامنه تبديل رادون از روشنايي پسزمينه تصويري كه شدت روشنايي ا ن برابر ميانگين شدت روشنايي پيكسلهاي پنجره تحت پردازش است ايجاد ميشود و پس از اعمال فيلتر دايروي به ا ن تبديل رادون ا ن محاسبه ميگردد. با تفاضل تبديل رادون اخير از تبديل رادون پنجره تحت پردازش ماتريس رادوني بدست ميا يد كه تا حد امكان تا ثير پسزمينه از ا ن حذف شده است. شده است. اين عمل توسط رابطه ( ۲ ) ( ۲ ) در رابطه نشان داده Rw Rmean, if ( Rw R mean ) 0 = 0, otherwise R w ( ۲ ) R mean ايجاد شده و محاسبه تبديل رادون اوليه پنجره است تبديل رادون پنجرهاي است كه با ميانگين تصوير ا زموده ميشود. ماتريس رادون نهايي است. با شروط دوگانه ذكر شده در اين ماتريس براي اين كار در هر ستون اين ماتريس مقدار و انديس پيك كه به ترتيب با P داده ميشوند مشخص ميگردند. سپس از i P و i P W نمايش به اندازه در دو جهت فاصله گرفته ميشود مقادير اين دو مو لفه نيز با Rnew ( i p ± W, ) شروط دوگانه بصورت رابطه ) ۳ ( بيان ميشود. نمايش داده ميشود. 1 P t u ( ۳ ) 2 Rnew ( i P W, ) t ± l در صورت حضور در پنجره شروط فوق بايد در كليه ستونها برقرار باشد. سختگيرانه بوده پنجرهاي به عنوان پنجره حاوي اما اين شرط نسبتا بنابراين در پيادهسازي الگوريتم گرفته ميشود كه تعداد ستونهايي از ماتريس در نظر متناظر با ا ن كه شروط در ا نها صادق است بزرگتر از مقدار ا ستانه t c باشد. تعيين ميگردد. مقادير ا ستانه t l t u و t c بصورت تجربي بدين ترتيب مرحله تشخيص نقاط كانديدا خاتمه مييابد نقاط كانديدا پنجرههايي هستند كه حضور در ا نها در اين مرحله تشخيص داده شده است. براي ايجاد نتيجه نهايي اين تشخيص اوليه در مرحله كلاسهبندي تست پردازش بيشتر قرار ميگيرد تا نتايج دقيقتري حاصل شود. / ۱۷ مجله فيزيك پزشكي ايران دوره ۶ شماره ۱ پياپي ) ۲۲

6 حميدرضا پوررضا و همكاران كلاسهبندي در مرحله كلاسه بندي از برخي ويژگيهاي ميكروا نوريزمها استفاده ميشود تا تشخيصهاي اشتباهي كه در انتخاب كانديدا صورت گرفته تصحيح شود و بر دقت الگوريتم افزوده گردد. سه ويژگي بارز كه از ا نها استفاده شده است عبارتند از : داراي فاصله بوده و هيچ دو داراي همپوشاني نميباشند. داراي الگوي دايروي هستند. روشنايي سطح ا نها تقريبا يكنواخت است. با استفاده از ويژگي اول نقاط كانديدا از يك فيلتر اوليه عبوري ميكنند به اين ترتيب كه از بين هر گروه پنجرههايي كه به عنوان حاوي بودن تشخيص داده شدهاند و داراي همپوشاني هستند تنها يك پنجره كه به لحاظ هندسي در وسط اين گروه قرار گرفته است حفظ و ديگر پنجرههاي گروه حذف ميشود. نتيجه اين مرحله ازكار شامل نقاط كانديدايي است كه كاملا مجزا از يكديگر هستند. بر اساس دو ويژگي بعدي يك بردار ويژگي دو بعدي براي هر نقطه كانديدا ايجاد ميشود و بردار ويژگي به روش طبقه بندي SVM كانديدا تا ييد و يا رد شود. وارد ميگردد تا صحت نقطه بعد اول بردار ويژگي بر اساس دايروي بودن از پنجره كانديدا استخراج ميشود و برابر واريانس قطر در جهتهاي مختلف است. براي استخراج اين ويژگي استفاده قرار ميگيرد. تشخيص قطر پنجره كانديدا مورد گفته شد كه هر ستون ماتريس معادل تصوير پنجره در يك جهت است لذا با درهر يك از ستونهاي ماتريس و سپس محاسبه واريانس ا نها اين ويژگي حاصل خواهد شد. ميتوان فرض نمود كه P مقدار پيك ا ن ميباشد متناظر با مركز است. براي محاسبه قطر هر ستون كه در هر ستون كافيست انديسهايي از ا ن ستون كه مقدار دامنه ا نها برابر كسر معيني از عنوان قطر اين انديسها ا نها P i min و است را شناسايي و تفاضل ا نها را به i max W = imax i min در ا ن جهت در نظر گرفت. ناميده ميشوند و تفاضل برابر قطر در جهت است. براي محاسبه i min i max و روابط ) ۴ ( تا ) ۶ ( استفاده شده است. ( ۴ ) از imin < i p < i max Rnew ( imax, ) = β P Rnew ( imin, ) = β P ( ۵ ) ( ۶ ) در روابط فوق β يك مقدار ثابت در بازه ميباشد. با اندازهگيري قطر 0 < β < 1 در تمام ستونها و سپس محاسبه واريانس اين مقادير بعد اول بردار ويژگي حاصل ميشود. براي استخراج بعد دوم بردار ويژگي كه بر اساس يكنواخت بودن شدت روشنايي سطح است از مقدار واريانس مقادير پيك تبديل رادون در جهتهاي مختلف استفاده شده است. براي استخراج اين ويژگي در كليه ستونهاي ماتريس مقدار P بدست ميا يد. سپس واريانس اين مقادير محاسبه شده و به عنوان بعد دوم بردار ويژگي در نظر گرفته ميشود. بردارهاي ويژگي ايجاد شده براي نقاط كانديدا جهت انجام مرحله نهايي كار به SVM نقاطي كه SVM وارد ميشود. در اين مرحله ا نها را معتبر تشخيص داده است نگهداري ميشوند و ديگر نقاط ناديده گرفته ميشوند. كارايي هر الگوريتم يادگيري ماشين با ميزان قدرت ا ن در تعميميافتگي سنجيده ميشود. طبقهبندي كه بر SVM اساس يادگيري ا ماري عمل ميكند داراي پاسخ بهينه در تعميم مسا له بر اساس دادههاي ا موزشي با تعداد هرچند محدود ميباشد. در مسا له حاضر خروجي طبقهبند بصورت باينري است كه مثبت يا منفي بودن تشخيص را مشخص مينمايد. ويژگيهاي ذكر شده از كلاسهبند SVM انگيزهاي براي استفاده از اين طبقهبند را ايجاد / ۱۸ مجله فيزيك پزشكي ايران دوره ۶ شماره ۱ پياپي ) ۲۲

7 ب ) ا شكارسازي خودكار ميكروا نوريسم در چشم با تبديل رادون محلي ( نموده و در اين سيستم با بهرهگيري از توابع هسته پايه دايروي پيادهسازي شده است. نتيجه نهايي ) پس از خروج از ( SVM بصورت تصويري دودويي رنگي به قطر n - ۳ نتايج است كه در نقاطي كه در نهايت به عنوان معتبر شناسايي شدهاند دايرهاي سفيد قرار داده شده است. پيادهسازي الگوريتم در محيط نرمافزار MATLAB انجام شده و تصاوير مورد استفاده بصورت رنگي با پسوند PNG و داراي ابعاد ۱۱۵۲ ۱۵۰۰ بودهاند. پارامترهاي مربوط به بخشبندي تصوير كه توسط كاربر تعيين ميشوند عبارتند از step و n و ۵ قرار داده شدهاند. پارامتر ا ستانه t c و t l t u اتخاذ شده است. كه به ترتيب برابر ۱۷ W نيز برابر ۶ و براي مقادير به ترتيب مقادير ۱۰ / ۲ ۱۷ / ۴ و ۰ / ۹۷ پارامتر ديگري كه مورد استفاده ا ن در استخراج ويژگي است β بوده و برابر تنظيم شده ۰ / ۳ است. ضمنا ذكر اين نكته حاي ز اهميت است كه در محاسبه تبديل رادون از گام ۵ استفاده شده است بدين معنا كه بازه صفر تا ۱۸۰ درجه به ۳۶ قسمت با فواصل مساوي ) برابر ( ۵ تقسيمبندي شده و در اين زوايا تبديل رادون محاسبه شده است. براي ا موزش روش طبقهبندي نقطه ۱۰۰ از SVM كانديدا متعلق به دو كلاس صحيح و غلط استفاده شده است كه سهم دو كلاس از ۸۰ نقطه مساوي بوده است. نمونهاي از نتيجه خروجي الگوريتم براي بخشي از يك تصوير ورودي در شكل ۴ نمايش داده شده است. شكل - ۱ نتيجه حاصل شده براي بخشي از يك تصوير ورودي الف ( تصوير پيشپردازش شده ورودي ب ( نتيجه نهايي براي ارزيابي عملكرد و دقت الگوريتم نتايج خروجي الگوريتم با نتايج استخراج دستي ها كه توسط چشمپزشك انجام شده است مقايسه شدهاند. تعداد تصاويري كه براي اين كار در نظر گرفته شدهاند برابر ۱۰۰ بوده است كه شامل تركيبي از تصاوير شبكيه افراد طبيعي و بيماراني است كه مراحل مختلف بيماري ديابت را تجربه ميكنند. اين كار باعث شده است كه تعداد ها در تصاوير مختلف بوده و ارزيابي دقيقتري از الگوريتم حاصل شود. اين نتايج در جدول ۱ نمايش داده شده است. جدول - ۱ نتايج حاصل از مقايسه روش خودكار در بيماري شمار افراد سالمي كه درست شناسايي شده اند ) TN ( شماربيماراني كه سالم شناسايي شده اند ) FN ( شمار افراد سالمي كه بيمار شناسايي شده اند ) FP ( شمار افراد بيماري كه درست شناسايي شده اند ) TP ( حساسيت ويژگي جدول روش خودكار ۱۸ ۰ ۲ ۸۰ % ۱۰۰ % ۹۰-۲ نتايج حاصل از مقايسه روش خودكار در تشخيص مكان ميكروا نوريسم شمار ي كه در محل درست شناسايي شده اند ( TP ) شمار ي كه شناسايي نشده اند ) FN ( شمار نقاط طبيعي كه به غلط ميكروا نوريسم شناسايي شده اند روش خودكار ۱۴۱۸ ۳۵ ( FP ) حساسيت ۳۶۵ %۹۷/ ۶ ) الف ( / ۱۹ مجله فيزيك پزشكي ايران دوره ۶ شماره ۱ پياپي ) ۲۲

8 حميدرضا پوررضا و همكاران مطابق اين ا مار نرخ حساسيت بدست ا مده در تشخيص بيماري برابر % ۱۰۰ ودر تشخيص دقيق مكان عارضه برابر ۹۷ % و نيز ويژگي قابل قبول % ۹۰ در تشخيص بيماري و تعداد ميانگين تشخيص خطاي مثبت برابر ۵ بوده است. - ۴ بحث و نتيجهگيري در اين مقاله به تشريح الگوريتم نويني براي ا شكارسازي در تصاوير شبكيه پرداخته شد. ويژگي بارز اين الگوريتم اراي ه رويكردي كاملا متفاوت براي حل اين مسا له بوده است. اعداد بدست ا مده براي نرخ حساسيت و نيز ميانگين تشخيص خطاي مثبت اين الگوريتم را جزو دقيقترين الگوريتمهاي اين حوزه قرار ميدهد ضمن اينكه در اين الگوريتم به دليل استفاده از تبديل رادون حساسيت به نويز موجود در تصاوير حذف شده و الگوريتم در مقابل اين پديده اجتنابناپذير مقاوم ميباشد. - ۵ تشكر و قدرداني اين پروژه بخشي از پايان نامه دكتري انجام شده در گروه فيزيك پزشكي دانشگاه علوم پزشكي مشهد مي باشد. منابع 1. Massin P, Allouch C, Haouchine B, Metge F, Paques M, Tangui L, Erginay A, Gaudric A. Optical coherence tomography of idiopathic macular epiretinal membranes before and after surgery. Am J Ophthalmol 2000 Dec; 130(6): Lee S, Lee E, Kingsley R, Wang Y, Russell D, Klein R, Warn A. Comparison of diagnosis of early retinal lesions of diabetic retinopathy between a computer and human experts. Arch Ophthalmol 2001; 119; Klein R, Klein B, Magli Y, Brothers R, Meuer S, Moss S, Davis M. An alternative method of grading diabetic retinopathy, Ophthalmology 1986:93(9): Walter T, Massin P, Ali Erginay A, Ordonez R, Jeulin C, Klein JC. Automatic detection of microaneurysms in color fundus images. Med Image Analysis 2007; 11: B. Lay, Analyse automatique des images angiofluorographiques au cours de la retinopathie diabetique. Ph.D. Thesis, Centre of Mathematical Morphology, Paris School of Mines, June, Spencer T, Philips R, Sharp P, Forrester J. Automated detection and quantification of microaneurysms in fluorescein angiograms. Graefe s Arch Clin Exp Ophthalmol 1992;230: Spencer T, Olson J, McHardy K, Sharp P, Forrester J. An image processing strategy for the segmentation and quantification of microaneurysms in fluorescein angiograms of the ocular fundus. Comput Biomed Res 1996;29: Klein B, Klein R,Hall E, Lee K, Jensen K. The compatibility of estimates of retroilluminated lens opacities as judged from film based and digital imaging. Am J Ophthalmol 2004;138: Walter T. Application de la Morphologie Mathematique au diagnostic de la Retinopathie Diabetique a partir d images couleur. Ph.D. Thesis, Centre of Mathematical Morphology, Paris School of Mines, September, / ۲۰ مجله فيزيك پزشكي ايران دوره ۶ شماره ۱ پياپي ) ۲۲