چكيده پيشزمينه

يك روش جديد جهت استخراج الگوي رگهاي خوني در تصاوير شكيه 3 1 هادي فرزين حميد اريشمي مقدم محمد شهرام معين دانشجوي كارشناسي ارشد مخارات سيستم دانشگاه صنعتي خواجه نصيرالدين طوسي - تهران -3 - hadi.farzin@gmail.com استاديار دانشكدة رق دانشگاه صنعتي خواجه نصيرالدين طوسي - تهران h_abrishami@yahoo.com استاديار مركز تحقيقات مخارات ايران - تهران moin@itrc.ac.ir -1 چكيده استخراج الگوي رگهاي خوني در تصاوير شكيه از مراحل اوليه و مهم در تحليل تصاوير شكيه جهت كارردهاي مختلف از جمله پزشكي و يا تشخيص هويت مياشد. اين مقاله ه اراي ه يك روش جديد و موثر راي استخراج شكة رگهاي خوني ميپردازد. اساس اين روش ر پاية اعمال يك عمليات پردازش محلي ر اساس مشخصات آماري تصوير است كه ه ميزان سيار زيادي كنتراست رگها و پيشزمينه را هود ميخشد. همچنين عمليات تطيق قال جهت حذف اثر ديسك نوري اعمال عمليات مورفولوژي جهت پركردن فضاي ين مرز رگها از مراحل ديگر اين روش هستند. نتايج حاصل از اين الگوريتم در مقايسه ا ديگر روشها گزينة سيار مناسي راي كاررد تشخيص هويت مياشد. كلمات كليدي پردازش تصاوير شكيه رگهاي خوني ناحيه ندي رگها تشخيص هويت مقدمه 1- شكيه يكي از اعضاء مهم تشكيل دهندة سيستم ينايي در دن انسان است. تصاوير شكيه داراي الگوهاي مختلف مياشند. تصويرشكية يك فرد سالم داراي الگوهاي زير است: الگوي رگهاي خوني ديسك نوري لكة زرد پيشزمينه در شكل 1 يك تصوير شكيه را مشاهده ميكنيد. هدف اصلي اين مقاله استخراج الگوي رگهاي خوني مياشد. از آنجا كه توزيع الگوي رگهاي خوني در سطح شكية هيچ دو فردي يكسان نمياشد ميتوان يكي از كارردهاي اين مقاله را علاوه ر كارردهاي پزشكي تشخيص هويت از طريق تصاوير شكيه نام رد. ايدة يكتايي الگوي رگهاي خوني در تصاوير شكيه راي اولين ار توسط دو تن از متخصصان چشم پزشكي دكتر Carleton Simon و دكتر ISodore Goldstein در مقالهاي كه در سال 1935 منتشر كردند مطرح گرديد [1]. آنها معتقد ودند كه الگوي توزيع رگهاي خوني در شكية چشم هر انسان و يا حتي حيوانات منحصر ه فرد و يكتا است. پس از آن Hill در سال 1978 شكيه را ه عنوان يكي از عناصر يومتري معرفي كرد و تشخيص هويت از طريق تصاوير شكيه را ه صورت يك اختراع ه ثت رساند []. جهت تهيه تصاوير شكيه از اسكنرهاي شكيه استفاده مي شود. در اسكنرهاي شكيه از خواص ذاتي ازتاش و جذ در چشم راي ه تصوير كشيدن الگوي رگهاي شكيه استفاده مي شود. اين كار ا تااندن اشعهاي ه شكيه و ثت ازگشت آن ه اسكنر صورت ميگيرد. نقاط تاريك تصوير خروجي رگهاي خوني هستند كه سهم يشتري در جذ نور تاانده شده دارند.

فصل نامه علمي پژوهشي مهندسي رق دانشگاه آزاد اسلامي مجلسي / سال اول/ شماره اول / تاستان 1386 16 اولين ار در سال 1976 شركت EyeDentify يك سيستم - شناسايي هويت ه نامEyeDentification7.5 را ا استفاده از اولين نمونه تجاري اسكنر شكيه ه ازار عرضه كرد. اخيرا شركت Retinal Technology راي گرفتن تصاوير شكيه دورين جديدي را ساخته است كه ويژگيهاي خيلي رتري دارد. طوري كه قادر است حتي از فاصله حدود يك متري تصاويري ا كيفيتهاي عالي از شكيه چشم گيرد. شكل تصاوير دو اسكنر تجاري شكيه را نشان ميدهد. ا توجه ه اهميت شناسايي توزيع رگهاي خوني در تصاوير شكيه در تحليلهاي پزشكي از جمله تشخيص و يا پيشگيري از يماريهايي چون فشار خون و يماريهاي قلي و همچنين كارردهاي يومتري همچون تشخيص هويت اين مقاله ه اراي ه روشي جديد و موثر جهت استخراج رگهاي خوني ميپردازد. مطالي را كه در مقالة حاضر مورد مطالعه قرار ميدهيم ه اين ترتي است: در خش عد خواصي از رگها را كه ه محققين در امر آشكارسازي شكه رگها ياري رسانده است معرفي و چالشهايي كه ممكن است در تشخيص آنها وجود داشته اشد يان ميكنيم. در خش سوم ه مرور اجمالي رخي روشهاي موجود در زمينة استخراج و ناحيه ندي رگهاي شكيه ميپردازيم. در قسمت چهارم ه تشريح روش جديد پيشنهادي ميپردازيم. در خش پنجم ه مقايسه ا روشهاي ديگر خواهيم پرداخت و در نهايت جمعندي و نتيجهگيري را خواهيم داشت. گر" خواص رگها و چالشهاي ناحيهندي رگها الگوهاي پيوستهاي همراه ا ميزان انحناي ناچيز هستند و همچنين ساختاري شاخهشاخه شيه درخت دارند. رگها از محل ديسك نوري منشع ميشوند و ا دورشدن از ديسك نوري قطرشان كمتر ميشود. ه طور معمول قطر شكيه در حدود 40mm مياشد كه قطر متوسط رگهاي آن در حدود 50 µm (حدود يك چهلم قطر شكيه) مياشد [3]. رگها در تصوير شكيه تاريكتر از 1 پيش زمينه هستند ضمنا در اكثر مقالهها از صفحة سز تصوير استفاده شده است چرا كه در اين نوع از تصاوير ميزان كنتراست /پيشزمينه" نست ه ديگر صفحات از جمله صفحة خاكستري يشتر است [4]. در استخراج رگها چالشهايي هم پيش روي ما وجود دارد كه كار را راي انجام يك تشخيص صحيح دشوار ميسازد. از جملة آنها ميتوان ه موارد زير اشاره نمود: 1- كنتراست پايين مويرگها - مرز ديسك نوري و مرز خود تصوير شكيه 3- لكههاي پاتولوژي در شكل 3 اين موارد را مشاهده ميكنيد. يك ناحيهندي ايدهآل آنست كه تمام مشكلات و چالشهاي فوق را رطرف سازد اما الگوريتمهايي كه در حال حاضر راي ناحيهندي رگها پيشنهاد شده است همگي ا يك يا چند مورد از چالشهاي فوق رورو مياشند. شكل 1: آناتومي شكيه شكل 3: فلشهاي ممتد مويرگهاي ا كنتراست پايين و فلشهاي منقطع ديگر چالشها را نشان ميدهند. 3- معرفي رخي روشهاي ناحيهندي رگها روشهاي مختلفي جهت استخراج رگها پيشنهاد شده كه هر كدام از دو يا چند خاصيت از خواص ذكر شده در خش قل استفاده ميكنند. در زير ه رخي از اين روشها اشاره ميكنيم. شكل : دو اسكنر شكيه 1-3- روشهاي متني ر مدل در اين روشها مدلي راي رگها در نظر گرفته شده و سپس ا توجه ه آن ه استخراج الگوهاي مشاه در تصوير ميپردازند. مدلهاي گوسي مرتة دوم [4] مدلهاي گوسي مرتة اول [5] مدل

17 يك روش جديد جهت استخراج الگوي رگهاي خوني در تصاوير شكيه كه در آن از نتيجه ناحيه ندي صورت دستي استفاده ميشود. در جدول 1 نتايج را همراه ا مقايسه ا روشهاي [10] Hoover و [11] Jiang مشاهده ميكنيد. جدول 1: مقايسة روشها در دو پايگاه داده [9] PBM همان روش استخراج ويژگيهاي اوليه از شيارها مياشد و nd obs روش ناحيه ندي دستي توسط فرد دوم است. در شكل 5 نتايجي از اين روش را ملاحظه ميكنيد. 3 شيارها [9] از جمله مدلهاي استفاده شده راي رگها هستند. الته 4 ه اين نوع روشها روشهاي متني ر پنجره هم گفته ميشود. ه اين ترتي كه پنجره يا پنجرههايي ا سايز سيار كوچكتر از اعاد تصوير اصلي ا تصوير اصلي كانوالو ميشوند. در [5] مدل رگها در تصوير ه صورت يك منحني گوسي فرض ميشوند و ا استفاده از 6 5 فيلترهاي منطق ا مدل گوسي " كنتراست رگ/پيش زمينه" را هود ميخشند و سپس ا اعمال يك آستانه گذاري رگها ناحيه ندي ميشوند. از آنجا كه رگها ميتوانند در امتدادهاي مختلف قرار داشته اشند تصوير ا 1 كرنل كه هر كدام ه اندازه 15 درجه چرخش دارند كانوالو ميشود. سپس راي هر پيكسل پاسخ ماكزيمم حاصل از 1 فيلترينگ نگه داشته مي شود. پاسخ فيلتر منطق تحت عمليات آستانهگذاري محلي قرار ميگيرد و رگها آشكار ميگردد. شكل 4 نتايج حاصل از اين الگوريتم قل از آستانهگذاري را نشان ميدهد. شكل 4: نتايج الگوريتم [5]: Chaudhuri -تصوير نمونه -استخراج رگها ج د شكل 5: مقايسة تصويري دو روش PBM و :Hoover - تصويراصلي - ناحيه ندي ايدهآل ج- نتيجة روش PBM د- نتيجة روش Hoover --3 1 روشهاي متني ر دستهندي پيكسلها 13 دراين روشها يك تكنيك دستهندي ا نظارت جهت اختصاص پيكسلها ه كلاس رگ و كلاس غيررگ كار گرفته ميشود و ردار ويژگي از خواص مختلفي چون ميزان روشنايي پيكسلها و يا ضراي تديلهايي چون تديل موجك ا موجك [1] Morlet يا موجك [13] Steerable تشكيل ميشود. در[ 1 ] ه كمك تغيير دادن پارامترهاي مقياس و زاويه چرخش در تديل موجك دو عدي ا استفاده از موجك مورلت ه شناسايي رگها ميپردازد. دليل انتخا موجك مورلت جهت دارودن آن است يعني نست ه تغيير زاويه حساسيت نشان ميدهد و اين امر در شناسايي رگها كه در زواياي مختلف در سطح شكيه پراكنده 8 7 روش [9] PBM ا استخراج شيارها در تصوير كه تقري سيار خوي از رگها مياشند عمل ناحيهندي رگها را انجام ميدهد. 9 اين شيارها راي توليد ويژگيهاي اوليه جهت تشكيل المانهاي خط مياشند سپس الگوريتم ا نست دادن پيكسلهاي تصوير ه 10 نزديكترين المان خط را ه تكهها ناحيهندي ميكند. هر المان خط يك مختصات محلي تشكيل ميدهد كه نواحي مروطه در همان مختصات شناخته ميشوند. راي هر پيكسل ا استفاده از خواص نواحي و المانهاي خط ردار ويژگي محاسه مي- شود. سپس از يك دستهنديكننده از نوع KNN استفاده ميگردد. الته اين روش را ميتوان در تقسيمندي عدي نيز قرار داد. در اين مقاله الگوريتم ر روي دو پايگاه داده [5] DRIVE و STARE [6] اجرا و نتايج صورت جدولي در مقايسه ا روش Hoover A z [10] آورده شده است كه معيار مقايسه پارامتر و پارامتر 11 A z مساحت زير نمودار ROC است (در حالت صحت مياشد. ايدهآل = 1 z A مياشد) پارامتر صحت كه در رخي مقالات از آن راي معيار عملكرد الگوريتم استفاده ميكنند ه صورت زير تعريف ميشود: تعداد كل پيكسلهاي رگ در تصوير حاصله از الگوريتم = صحت (1) تعداد كل پيكسلهاي رگ در تصوير ناحيهندي شدة مرجع

فصل نامه علمي پژوهشي مهندسي رق دانشگاه آزاد اسلامي مجلسي / سال اول/ شماره اول / تاستان 1386 18 شدهاند مفيد واقع ميشود و قاليت تنظيم فركانس مناس و درنتيجه فيلترينگ نويز و هود رگها را در اختيار ما ميگذارد. در 14 اين مقاله يك دسته ندي كنندة يز ا استفاده از قانون يشترين 15 شاهت تواع چگالي احتمال استفاده شده است. تواع توزيع احتمال ر اساس مجموعة آموزشي پيكسلهايي كه ه صورت دستي رچس رگ/ غيررگ خوردهاند تخمين زده ميشوند. در شكل 6 نتايج اين الگوريتم را ر روي يك تصوير نمونه از پايگاه دادة STARE مشاهده ميكنيد. مقالاتي كه از تديل موجك در تشكيل ردار ويژگي استفاده كردهاند [1-15] مياشند. 16 3-3- روشهاي متني ر ردياي رگها در اين روشها از ردياي راي دستياي ه ساختار رگها استفاده ميشود [19-16]. ردياي ه كمك اطلاعات محلي انجام ميپذيرد و سعي در پيدا كردن مسيري راي دستياي ه ماكزيمم انطاق ا مدل پروفايل رگها دارد. شكل 6: نتايج روش موجك [11] Morlet فلا: () -تصوير نمونه -استخراج رگها 17 4-3- روشهاي متني ر تحليلهاي چند مقياسي در اين روشها از تحليلهاي چند مقياسي استفاده ميشود كه نست ه ساير روشها داراي اين مزيت است كه رگها را در هر قطر و امتداد تشخيص ميدهد. در [0] از تحليل چند مقياسي مشتق اول و دوم تصوير استفاده شده كه اطلاعاتي را در مورد توپولوژي رگها ه ما ميدهد. ماكزيمم محلي ر روي دامنة گراديان و ماكزيمم انحناي 0 19 18 اصلي و تانسور هسين دريك فرآيند دو مرحلهاي رشد ناحيه مورد استفاده قرار ميگيرند. در مرحلة اول محدوديت رشد ر روي نواحي ا دامنة ضعيف گراديان اعمال ميشود در مرحلة نهايي اين محدوديت كمتر ميشود تا امكان تعريف مرزهاي ين نواحي وجود داشته اشد. ه طور اجمال اين روش را ميتوان صورت زير خلاصه نمود. يان چند مقياسي: هدف از تكنيك چند مقياسي توليد خانوادهاي از پارامترهاي مشتق تصوير است كه اين پارامترها را ا s نمايش ميدهند و تصاوير حاصله را صورت راطة () توصيف مينمايند. اثر كانولوشن فوق حذف المانهاي ا اندازة كوچكتر از s است. در شكل 7 حاصل كانولوشنها در مقياسهاي گوناگون را مشاهده ميكنيد. دامنة گراديان: I = I + I يان كنندة شي x y روشنايي تصوير راي يك مقدار مشخص پارامتر s مياشد. انحناي اصلي: مشتق جهتدار مرتة دوم تغييرات را در شدت گراديان در همسايگي يك نقطه يان ميدارد. از آنجايي كه رگها صورت مدل شيارها ظاهر ميشوند ايد دنال پيكسلهايي اشيم كه در راستاي گراديان يشترين مقدار روشنايي را دارا هستند. اطلاعات,x )I قرار دارد. ماتريس مشتق دوم در ماتريس هسين تصوير (y هسين مطاق ا راطة (4) محاسه ميشود. xxi xyi H= (4) yxi yyi مقادير ويژة اين ماتريس تقعر و تحد را در امتدادهاي ويژة متناظر يان ميدارند. دو مقدار ويژه λ و + λ كه در آن λ λ + را ميتوان در يك مقطع عرضي نشان داد. شكل 8 مقطع عرضي رگ و مقادير ويژة متناظر را نشان ميدهد. مقدار مينيمم مقدار ويژه انحناي يشتري را نشان ميدهد كه متناظر ا رگ است. حال ميتوان اين انحناي ماكزيمم يا ه عارت ديگر مينيمم مقدار ويژه را شناسايي كرد. شكل 9 نتايج اين الگوريتم را نشان ميدهد. ج شكل 7: حاصل كانولوشن گوسي در مقياسهاي مختلف: - = s - s 8 = ج- = 14 s I ( x, y; s) = I ( x, y ) G( x, y; s) 1 G( x, y; s) = π s x + y e s (3)

19 در حدود يكسيام قطر شكيه مياشد [3] از اينرو در تصاوير پايگاه دادة DRIVE كه داراي اعاد 564 585 مياشند از قالي ه اعاد 18 18 و در تصاوير پايگاه دادة STARE كه داراي اعاد 700 605 مياشند از قالي ه اعاد 0 0 استفاده شده است. در شكل 11 مراحل اجراي عمليات پيشپردازش ر روي يك تصوير نمونه را مشاهده ميكنيد. يك روش جديد جهت استخراج الگوي رگهاي خوني در تصاوير شكيه شكل 8: -مقطع عرضي رگ -مقادير ويژة متناظر 16-4 شكل 9: نتايج روشPerez پيشنهاد يك روش جديد [0]: -تصوير نمونه -استخراج رگها ا توجه ه اينكه در تصاوير شكيه كنتراست رگها تا حدودي كم است و رگهاي كوچك در رخي موارد هم سطح ا پيش زمينه هستند از اينرو ه نظر ميرسد الگوريتمي كه صورت كلي يا گلوال عمل ميكند نميتواند مفيد اشد. ررسي روشهاي مختلف نيز حاكي از آن است كه اجراي عمل استخراج رگها صورت محلي سيار مفيدتر خواهد ود. روش پيشنهادي در زير از يك چنين اصلي پيروي ميكند. 1-4- مرحله پيش پردازش و حذف اثر ديسك نوري در مرحلة پيشپردازش اتدا يك فيلتر ميانه جهت حذف نويز ضره اعمال ميگردد و در مرحلة دوم تصوير تحت راطة (5) نگاشت ميشود. اين نگاشت مقدار مثت f log( f ) را ه مقادير پيكسلها اضافه ميكند اين امر موج كاهش تاريكي كاذ موجود در تصاوير شكيه ميشود و تا حدودي اثر پيش زمينة تصوير را در مرحلة آستانهگذاري از ين ميرد. در شكل 10 نتيجة حاصل شده از مرحلة پيشپردازش را مشاهده ميكنيد. -4- پنجره گذاري و پردازش محلي در اين مرحله كه خش اصلي الگوريتم را تشكيل ميدهد يك پنجره ه اعاد M M رروي تصوير حركت داده ميشود و مقدار پيكسل مركزي پنجره در هر ار ا يك مقدار جديد جايگزين ميشود. اين مقدار جديد متناس ا ميانگين مقادير داخل پنجره و ماكزيمم و مينيمم كلي تصوير طق رواط 6 تا 9 محاسه ميگردد. در ررسي انجام شده هترين انتخا راي M رار يكچهلم اعاد تصوير مياشد الته تغييرات M حول اين مقدار تاثير نامطلوي ر روي كارايي الگوريتم نخواهد داشت ه عارت ديگر حساسيت ه مقدار M سيار اندك مياشد كه ميتوان آنرا ناديده گرفت. در جدول ميزان پارامتر صحت ه ازاي مقادير مختلف M محاسه شده است همانطور كه مشاهده ميشود مقدار ماكزيمم صحت در 10 = M (يكچهلم اعاد تصوير 395 393) دست ميآيد و تغييرات M حول اين مقدار تاثيري ر روي پارامتر صحت نداشته است. جدول : محاسة پارامتر صحت ه ازاي مقادير مختلف M M 4 /894 6 /899 8 /90 10 /904 1 /903 14 /903 /901 (6) صحت,i f ( پيكسل مركزي پنجره اشد آنرا اگر f تصوير اصلي و (j,i )g كه صورت نرماليزه شده نيز مياشد جايگزين ميكنيم. ا (j H s f ( i, j) g( i, j) = s s f max f min f min 1 H = 0.98 1 ( mean f ( i, j)) mean + ( )exp( ) var var mean s f min = ( mean f min) 1+ exp( ) var mean s f max = ( mean f max) 1+ exp( ) var و var ميانگين و واريانس مقادير داخل پنجره f min ه ترتي مقادير ماكزيمم و مينيمم كل (7) (8) (9) mean و f max و f = f ( 1 log( f )) ( 5) حال نوت ه كمرنگ كردن اثر ديسك نوري ميرسد. راي اين 1 منظور از تكنيك تطيق قال استفاده شده است ه اين ترتي كه ا محاسة همستگي يك قال خاص ا تصوير اصلي محل تقريي ديسك نوري تخمين زده ميشود و در نهايت ا تقسيم اصلي ر تصوير حاصل از محاسة همستگي و جداسازي خشي از تصوير حاصل كه محدودة قرارگيري ديسك نوري در آن مياشد و جايگزين آن در تصوير اصلي تا حدود سيار زيادي اثر ديسك نوري كاهش ميياد. قال مورد استفاده را ا ميانگينگيري از 0 تصوير ديسك نوري در شكيههاي مختلف دست آورديم. از آنجايي كه اين قال جهت تخمين مكان ديسك نوري مياشد اعاد آن نيز ايد ه اندازة اعاد ديسك نوري در تصوير انتخا شود. قطر ديسك نوري

فصل نامه علمي پژوهشي مهندسي رق دانشگاه آزاد اسلامي مجلسي / سال اول/ شماره اول / تاستان 1386 0 پيكسلهاي تصوير f هستند. پس از اجراي اين مرحله كنتراست رگها ه مقدار سيار خوي هود خشيده ميشود. در شكل 1 يكي از اين پنجرهها ه همراه رسم يك مقطع عرضي رگ در تصوير را مشاهده ميكنيد.در اين پنجره مقدار ميانگين رار = 0/68 mean و واريانس = 0/0015 var است كه ر اساس آن تاع H ا مقدار صورت شكل 13 رسم ميگردد. از آنجا كه مقادير رگها همواره از مقدار ميانگين پايينتر است ناراين مقادير پايينتر از ميانگين تحت تاع فوق نگاشت شده و مقادير زرگتر از ميانگين كه قطعا رگ نمياشند همگي ه يك مقدار تقريا ثات نگاشت ميشوند. پس از اجراي كامل اين عمليات ر روي تمام تصوير تصوير حاصله نمايانتر شدن رگها ه ميزان سيار زيادي را ه دنال خواهد داشت. شكل 14 اين نتيجه را نشان ميدهد. مشكلي كه در اين مرحله ا آن رورو هستيم آنست كه در رگهاي ا قطر زياد كه پنجرة مورد نظر تمام سطح آنها را نميپوشاند پس از اتمام كار مركز اين رگها تهي ميشود و صورت دو خط موازي ظاهر ميشوند. جهت رفع اين مشكل پس از اعمال پردازش محلي از يكسري عمليات مورفولوژي كه تحت عنوان عمليات مكمل از آنها ياد ميكنيم جهت پركردن فضاي ين مرز رگها استفاده ميكنيم. شكل 15 چگونگي اثر گذاري اين عمليات مكمل را نشان ميدهد. همانطور كه مشاهده ميشود عمليات مكمل قطر رگها را تغيير نميدهد. ج د شكل 11: - تصوير اصلي - قال ج- تصوير حاصل از محاسة همستگي د- تصوير حاصل از تقسيم تصوير اصلي ر تصوير ج شكل 1: - پنجرهاي از تصويراصلي - مقطع عرضي رگ 3-4- آستانه گذاري شكل :13 تاع H ا مقادير = 0/68 mean و =0/0015 var در اين مرحله ا اعمال آستانهگذاري ر روي تصوير مرحلة قل يك تصوير اينري را تشكيل ميدهيم كه مقادير يك يانگر پيكسلهاي رك و مقادير صفر يانكنندة پيكسلهاي غيررگ هستند. آستانة انتخاي راي همة تصاوير از طريق هيستوگرام تصوير انتخا ميشود. شكل 16 تصوير اينري حاصل از آستانه گذاري را نشان ميدهد. شكل 14: - تصوير اصلي - پس از پردازش محلي شكل 10: اعمال مرحلة پيشپردازش: تصوير اصلي - پس از پيشپردازش شكل 15: - قل از اعمال عمليات مكمل - عد از انجام عمليات مكمل شكل 16: تصوير اينري حاصل از اعمال آستانه گذاري

1 1.6 CENTRINO ا 51 MB حافظه در حدود 54 ثانيه ه طول ميانجامد. مزاياي اين روش را ميتوان ه شرح زير يان نمود. 1- همانطور كه ميدانيم سرعت نقش سيار مهمي در سيستمهاي تشخيص هويت دارد. الگوريتم حاضر ا در نظر گرفتن اين مهم از سرعت سيار الاي پردازش رخوردار است. - حساسيت الاي الگوريتم و آشكارسازي رگهاي كوچك كه اين مزيت هم در هدفي كه اين مقاله دنال ميكند يعني تشخيص هويت از اهميت الايي رخوردار است. 3- حذف اثر مرز ديسك نوري تا حد سيار مطلوي مشكلي كه سياري از الگوريتمهاي موجود ا آن رورو هستند. يك روش جديد جهت استخراج الگوي رگهاي خوني در تصاوير شكيه -5 مقايسه نتايج در اين قسمت ه مقايسه چند روش ا روش پيشنهادي در اين مقاله ميپردازيم. روش [1] Niemeijer ر پاية دسته ندي كنندة knn عمل ميكند و ردار ويژگي از ميزان سطوح روشنايي پيكسلها تشكيل ميشود و در دستة روشهاي متني ر تقسيمندي پيكسلها قرار ميگيرد. روش [5] Chaudhuri در خش قل مورد ررسي قرار گرفت و ر پاية فيلترهاي منطق عمل ميكند. روش [0] Perez نيز در خش قل معرفي شد و ر اساس تحليلهاي چند مقياسه مياشد. روش [1] Zana ر مناي استفاده از 3 رياضيات مورفولوژي عمل ميكند و ا اجراي يكسري عمليات مورفولوژي و در نهايت اعمال يك مرحله آستانهگذاري عمل استخراج رگها را انجام ميدهد. در روش [11] Jiang استخراج رگها را توسط يك آستانه گذاري محلي منطق ر پاية جستجوي چند آستانهاي پيشنهاد ميكند چرا كه معتقد است آستانه گذاري عمومي ه دليل يكنوا نودن پيشزمينة تصاوير شكيه نميتواند مفيد اشد. روشي كه در اين مقاله اراي ه گرديده در دستة روشهاي Window based قرار ميگيرد و يك پنجره ا سايز كوچك ر روي تصوير حركت ميكند و پيكسل مركزي آن در هر ار ا مقدار جديد ر اساس يك منطق رياضي خاصي جايگزين ميگردد. معيارهاي 6 5 4 صحت حساسيت و خصوصيت نيز اغل در مقايسة نتايج روشهاي مختلف ا هم مورد استفاده قرار ميگيرد. از آنجا كه معيار حساسيت در امر شناسايي هويت سيار مهم است يكي از مزيتهاي روش پيشنهادي اين مقاله الا ودن اين معيار نست ه ساير روشهاست الته الا ودن معيار حساسيت نسي است و نايد ه قيمت پايين آمدن دقت يا معيار صحت شود كه خوشختانه دقت اين روش نيز در حد سيار قال قولي قرار دارد. در ادامه نتايج را در دو پايگاه داده DRIVE و STARE ا چند روش مختلف كه از هترين روشهاي حاضر در امر ناحيهندي رگها هستند مورد ررسي قرار خواهيم داد. اتدا نتايج را راي يك تصوير نمونه در پايگاه دادة DRIVE ه ازاي روشهاي مختلف و روش مقالة حاضر در شكل 17 7 مشاهده ميكنيد. ا اعمال تغييراتي در عمليات مورفولوژي عملكرد هتري از نتايج الگوريتم ر روي تصاوير اين دو پايگاه داده دست آمد كه نتايج را در جدولهاي 3-5 مشاهده ميكنيد. جدول 3 يان كنندة معيار حساسيت مياشد. همچنين مقايسة معيار صحت در دو پايگاه داده در جدولهاي 4 و 5 آورده شده است [5]. -6 نتيجه گيري در اين مقاله روشي جديد راي استخراج رگهاي خوني در تصاوير شكيه اراي ه گرديد. الگويتم اين روش تحت MATLAB 7 نوشته شده و اجراي آن توسط يك كامپيوتر قال حمل ا پردازشگر جدول 3: معيار حساسيت ر روي تصاوير پايگاه دادة DRIVE سال انتشار حساسيت روش 1 Farzin et al. 0/ مقالة حاضر 731 [ 9] Staal et al. 0/ 718 004 3 [ 0] Perez 0/ 708 1999 4 [ 1] Niemeijer et al. 0/ 679 004 5 [ ] Zana et al. 0/ 669 001 6 [ 11] Jiang et al. 0/ 648 003 7 [ 5] Chaudhuri 0/ 71 1989 جدول 4: معيار صحت ر روي تصاوير پايگاه دادة STARE سال انتشار 004 صحت 0/951 روش 1 3 4 5 6 [9] [1] [4] Staal et al. Farzin et al. Soares et al. Di Wu et al. [10] Hoover [11] Jiang et al. 0/948 0/947 0/945 0/97 0/900 007 005 006 000 003 جدول 5: معيار صحت ر روي تصاوير پايگاه دادة DRIVE سال انتشار صحت روش 1 [ 9] Staal et al. 0/ 941 004 [ 1] Niemeijer et al. 0/ 940 004 3 Farzin et al. 0/ 937 007 4 [ ] Zana et al. 0/ 936 001 5 [ 11] Jiang et al. 0/ 9 003 6 [ 0] Perez 0/ 918 1999 7 [ 5] Chaudhuri 0/ 889 1989

فصل نامه علمي پژوهشي مهندسي رق دانشگاه آزاد اسلامي مجلسي / سال اول/ شماره اول / تاستان 1386 7- مراجع C. Simon and I. Goldstein, A New Scientific Method of Identification, New York State, Journal of Medicine, Vol. 35, No. 18, pp. 901-906, September, 1935. [1] R.B.Hill, Apparatus and method for identifying individuals through their retinal vasculature patterns, U.S.Patent 4,109,37, August, 1978. [] K. G. Goh, W. Hsu, M. L. Lee. An Automatic Diabetic Retinal Image Screening System, Medical Data Mining and Knowledge Discovery, Springer-Velag, 000. [3] L. Gang, O. Chutatape, and S. M. Krishnan. Detection and measurement of retinal vessels in fundus images using amplitude modified second-order gaussian filter. IEEE Trans on Biomedical Engineering, 49():168-- 17, 00. S. Chaudhuri, S. Chatterjee, N. Katz, M. Nelson, and M. Goldbaum, Detection of blood vessels in retinal images using twodimensional matched filters, IEEE Trans on Med. Image., vol. 8, pp. 63 69, Sept.1989. [4] [5] ج د T. Lindeberg. Edge detection and ridge detection with automatic scale selection, International Journal of Computer Vision, pages 117 156, Nov. 1998. [6] A. Frangi, W. J. Niessen, K. L. Vincken, and M. A.Viergever. Multiscale vessel enhancement filtering, In Proceedings of the 1st International Conference of Medical Image Computing and Computer-Assisted intervention (MICCAI 1998), pp. 130 137, 1998. [7] ه و V. Mahadevan, H. Narasimha-Iyer, B. Roysam, and H. Tanenbaum. Robust modelbased vasculature detection in noisy biomedical images, IEEE Trans on Information Technology in Biomedicine,8(3):360-376, 004. J. J. Staal, M. D. Abr`amoff, M. Niemeijer, M. A. Viergever, and B. van Ginneken, Ridge based vessel segmentation in color images of the retina, IEEE Trans on Medical Imaging, vol. 3(4): 501 509, 004. [8] [9] A. Hoover, V. Kouznetsova, and M. [10] Goldbaum, Locating blood vessels in retinal images by piece-wise threshold probing of a matched filter response, IEEE Trans. Med. Image., vol. 19, pp. 03 10, Mar.000 ز. تصوير نمونه ح. استخراج دستي رگها ج. روش شكل 17: پيشنهادي حاضر د. روش Niemeijer ه. روش Jiang ز. روش Perez ح. روش Chaudhuri و. روش Zana

3 يك روش جديد جهت استخراج الگوي رگهاي خوني در تصاوير شكيه Y. A. Tolias and S. M. Panas. A fuzzy vessel [19] tracking algorithm for retinal images based on fuzzy clustering, IEEE Trans on Medical Imaging, 17:63-73, April 1998. M. E. Martınez-Perez, A. D. Hughes, A. V. [0] Stanton, S. A. Thom, A. A. Bharath, and K. H. Parker, Retinal blood vessel segmentation by means of scale-space analysis and region growing, In Medical Image Computing and Computer-assisted Intervention-MICCAI, 1999, pp.90 97. M. Niemeijer, J. J. Staal, B. van Ginneken, M. [1] Loog, and M. D.Abr`amoff, Comparative study of retinal vessel segmentation methods on a new publicly available database, In SPIE Medical Imaging, J. M.Fitzpatrick and M. Sonka, Eds., vol. 5370, pp. 648 656, 004. F. Zana and J. Klein, Segmentation of vessellike patterns using mathematical morphology [] and curvature evaluation, IEEE Trans on Image Processing, 10(7):1010 1019, 001. M.Sofka, and C.V. Stewart, Retinal Vessel [3] Extraction Using Multiscale Matched Filters, Confidence and Edge easures August 16, 005 Di Wu, Ming Zhang, Jyh-Charn Liu, and [4] Wendall Bauman, On the Adaptive Detection of Blood Vessels in Retinal Images, IEEE Trans on Biomedical Engineering, vol. 53(), Feb 006. http://www.isi.uu.nl/research/drive [5] http://www.ces.clemson.edu/~ahoover/stare [6] جفرياني ح. ه. اريشميمقدم م. "روشي معين ش. جديد راي ررسي هويت افراد ر اساس تصاوير شكيه " يازدهمين كنفرانس مهندسي پزشكي ايران-.138 [7] X. Jiang and D. Mojon, Adaptive local [11] thresholding by verification based multithreshold probing with application to vessel detection in retinal images, IEEE Trans on Pattern Analysis and Machine Intelligence, vol. 5(1): 131-137,003. J. V. B. Soares, J. J. G. Leandro, R. M. Cesar- [1] Jr., H. F. Jelinek, and M. J. Cree. Using the - D morlet wavelet with supervised classification for retinal vessel segmentation. In IV Workshop de Teses e Dissertações em Computação Gráfica e Processamento de Imagens, CD-ROM - 18th Brazilian Symposium on Computer Graphics and Image Processing, Natal, RN, 005. W. T. Freeman and E. Adelson. The design [13] and use of steerable filters, IEEE Trans on Pattern Analysis and Machine Intelligence, 13(9):891 906, Sept 1991. D. J. Cornforth, H. J. Jelinek, J. J. G. Leandro, [14] J. V. B. Soares, Jr. R. M. Cesar, M. J. Cree, P. Mitchell, T. Bossamaier, Development of Retinal Blood Vessel Segmentation Methodology Using Wavelet Transforms Assessment of Diabetic Retinopathy, Eighth Asia Pacific Symposium on Intelligent and Evolutionary Systems, Cairns, Australia, pp. 50-60, 004. J. J. G. Leandro, J. V. B. Soares, R. M. Cesar- [15] Jr., and H. F. Jelinek. Blood vessels segmentation in non-mydriatic images using wavelets and statistical classifiers, In Proc. of the 16th Brazilian Symposium on Computer Graphics and Image Processing - SIBGRAPI, pages 6-69. IEEE Computer Society Press, 003. X. Gao, A. Bharath, A. Stanton, A. Hughes, [16] N. Chapman, and S. Thom. A method of vessel tracking for vessel diameter measurement on retinal images, In ICIP01, pages II: 881-884, 001. M. Lalonde, L. Gagnon, and M.-C. Boucher. [17] Non-recursive paired tracking for vessel extraction from retinal images, In Proc. of the Conference Vision Interface 000, pages 61-68, 000. A. Can, H. Shen, J. N. Turner, H. L. [18] Tanenbaum, and B. Roysam. Rapid automated tracing and feature extraction from retinal fundus images using direct exploratory algorithms, IEEE Trans on Information Technology in Biomedicine, 3():15-138,1999.

يپ- فصل نامه علمي پژوهشي مهندسي رق دانشگاه آزاد اسلامي مجلسي / سال اول/ شماره اول / تاستان 1386 4 1- Green Plan - Model-based Method 3- Ridges-Based 4- Window Based Method 5- Match Filters 6- Gaussian Model 7- Primitive Based Method 8- Ridges 9- Primitives 10- Patches 11- Accuracy 1- Supervised Classification 13- Supervised Classification 14- Bayesian Classification 15- Maximum Likelihood 16- Vessel Tracking Methods 17- Multiscale Analysis 18- Maximum Principal Curvature 19- Hessian Tensor 0- Region Growing 1- Template Matching - Opening and Closing 3- Mathematic Morphology 4- Accuracy 5- Specificity 6- Sensitivity 7- Dilation and Erosion 8 نوشتها