تعداد نشریات | 43 |
تعداد شمارهها | 1,262 |
تعداد مقالات | 15,535 |
تعداد مشاهده مقاله | 51,553,596 |
تعداد دریافت فایل اصل مقاله | 14,493,744 |
استخراج رگ از تصاویر شبکیه چشم مبتلا به رتینوپاتی دیابتی با استفاده از روشی مبتنی بر ساختارشناسی | ||
پردازش سیگنال پیشرفته | ||
مقاله 2، دوره 3، شماره 1 - شماره پیاپی 3، خرداد 1398، صفحه 13-23 اصل مقاله (1.39 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22034/jasp.2019.9177 | ||
نویسندگان | ||
زهرا اصغرزاده بناب؛ سعید مشگینی* | ||
گروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران | ||
چکیده | ||
دیابت، نوعی بیماری شایع در جهان است. اولین عضوی که معمولاً دچار آسیب میشود؛ چشم میباشد. رتینوپاتی دیابتی، به معنی آسیب به شبکیه است که شامل تغییرات عروق خونی شبکیه است و میتواند به خونریزی، نشت مایع و یا تحریف دید منجر شود. جداسازی رگهای خونی از اولویتهای تشخیص بیماریهای شبکیه است. عکسبرداری از شبکیه نیازمند استفاده از سیستم نوری پیچیدهای به نام دوربین فونداس یا عمقی است. دوربین عمقی، یک دوربین دیجیتال معمولی است که بهمنظور تهیه تصاویر از شبکیه مورد استفاده قرار میگیرد، برخلاف دستگاههای تهچشمبین، این دستگاهها امکان ذخیره دادهها را نیز فراهم میکنند. در این مقاله، روشی برای استخراج رگهای خونی از تصویر شبکیه مبتنی بر ساختارشناسی (مورفولوژی) ارائه شده است. رگها بخشی هستند که باید قبل از تشخیص ضایعههای رتینوپاتی دیابتی از تصویر حذف شوند. در ابتدا برای بهبود کیفیت از عملگرهای مورفولوژی بر روی تصویر شبکیه رنگی استفاده میشود. سپس، با روشهای مورفولوژی، دیسک نوری از تصویر حذف میگردد. سپس، رگهای خونی تصویر شبکیه با استفاده از دو الگوریتم مجزا استخراج میشوند. با ترکیب این دو الگوریتم، رگهای خونی با جزئیات بیشتری استخراج میگردند. در نهایت با استفاده از فیلتر میانه، نویز احتمالی حذف میشود و رگهای خونی با دقت بیشتری استخراج میشوند. الگوریتم پیشنهادی این مقاله بر روی تصاویر پایگاه داده Drive مورد ارزیابی قرار گرفته و نتایج مناسبی حاصل شده است. مقادیر متوسط اختصاصیت، حساسیت و صحت روش ارائهشده بهترتیب 0.98، 0.751 و 0.960 میباشد. | ||
کلیدواژهها | ||
تصویر شبکیه؛ رگهای خونی؛ رتینوپاتی دیابتی؛ استخراج رگ؛ ساختارشناسی | ||
مراجع | ||
[1] ص. ایراندوست پاکچین، س. مشگینی، «بازشناسی چهره با استفاده از آنالیز تفکیک خطی بر پایه موجکهای هار و گابور و ماشین بردار پشتیبان»، مجله مهندسی برق دانشگاه تبریز، جلد 47، شماره 4، صفحات 1317-1327، 1396. [2] ر. صادقی، ف. ابدالی محمدی، «ارائه یک روش یادگیری ویژگی ترکیبی مبتنی بر الگوریتم شبیهسازی تبرید و برنامهنویسی ژنتیک»، مجله مهندسی برق دانشگاه تبریز، جلد 48، شماره 1، صفحات 127-136، 1397. [3] ط. اکبرپور، س. دانشور، «افزایش کیفیت ادغام تصاویر موجک PET و MRI با استفاده از ترکیب گابور و مدل شبکیه»، مجله مهندسی برق دانشگاه تبریز، جلد 45، شماره 4، صفحات 23-35، 1394. [4] S. Aruchamy, P. Bhattacharjee and G. Sanyal, "Automated Glaucoma Screening in Retinal Fundus Images," International Journal of Multimedia and Ubiquitous Engineering, Vol. 10, No. 9, pp.129-136, 2015. [5] C. Kirbas, F. Quek, "A Review of Vessel Extraction Techniques and Algorithms," ACM Computing Surveys, 36 (2), pp. 81–121, 2004. [6] T. Teng, M. Lefley, D. Claremont, "Progress towards automated diabetic ocular screening: a review of image analysis and intelligent systems for diabetic retinopathy," Med Biol Eng Comput, 40 (1), pp. 2-13, 2002. [7] S. Jiméneza, P. Alemany, I. Fondón, A. Foncubierta, B. Achab and C. Serrano, "Automatic detection of vessels in color fundus images," ARCH SOC ESP OFTALMOL, 85 (3), pp. 103-109, 2010. [8] Z. Fan, J. Lu, W. Li, "Unsupervised Blood Vessel Segmentation of Fundus Images Based on Region Features and Hierarchical Growth Algorithm," published 26 Mar, 2017. [9] T. Mapayi, S. Viriri, and J. R. Tapamo, "Comparative Study of Retinal Vessel Segmentation Based on Global thresholding Techniques Computational and Mathematical Methods in Medicine, volume 2015, Article ID 895267, 15 pages. [10] C. K. Subbaraya, A. Geet D’sa, T. V. Manohar, B. R. Nanjesh, "Novel Approach for Extraction of Blood Vessels using Morphology and Filtering Techniques", International Conference on Electrical, Electronics, and Optimization Techniques (ICEEOT), 2016. [11] D. Youssef, N. H. Solouma,''Accurate detection of blood vessels improves the detection of exudates in color fundus images,'' Computer Methods and Programs in Biomedicine, 108 (3), pp. 1052-1061, 2012. [12] N. Khdhair El abbadi, E. Al-Saadi, "Blood vessels extraction using mathematical morphology," Journal of Computer Science 9 (10), pp. 1389-1395, 2013. [13] A. M. Mendonca and A. Campilho, "Segmentation of retinal blood vessels by combining the detection of centerlines and morphological reconstruction," IEEE Transactions on Medical Imaging, vol. 25, pp. 1200–1213, 2006. [14] M. Niemeijer, J. Staal, B. Ginneken, M. Loog, and M. Abramoff, "Drive: Digital retinal images for vessel extraction," Website: http://www.isi.uu.nl/Research/Databases/DRIVE, 2004. Last accessed: May, 2015. [15] E. D. Pisano, S. Zong, B. M. Hemminger, M. DeLuca, R. E. Johnston, K. E. Muller, M. P. Braeuning, and S. M. Pizer, "Contrast limited adaptive histogram equalization image processing to improve the detection of simulated spiculations in dense mammograms," Digital Imaging, vol. 11, no. 4, pp. 193-200, 1998. [16] C. Gonzalez, A. Rafael, and B. Richard, E.Woods, Digital Image Processing, Third edition, 2002. [17] J. V. B. Soares, J. J. G. Leandro, R. M. Cesar, H. F. Jelinek, and M. J. Cree, "Retinal vessel segmentation using the 2-D Gabor wavelet and supervised classification," Medical Imaging, IEEE Transactions on, vol. 25, pp. 1214-1222, 2006. [18] A. M. Mendonca and A. Campilho, "Segmentation of retinal blood vessels by combining the detection of centerlines and morphological reconstruction," Medical Imaging, IEEE Transactions on, vol. 25, pp. 1200-1213, 2006. [19] C. A. Lupascu, D. Tegolo, and E. Trucco, "FABC: Retinal Vessel Segmentation Using AdaBoost," Information Technology in Biomedicine, IEEE Transactions on, vol. 14, pp. 1267-1274, 2010. [20] Atefeh Sadat Sajadi and Seyed Hojat Sabzpoushan," A New Seeded Region Growing Technique for Retinal Blood Vessels Extraction," J Med Signals Sens, v. 4(3); Jul-Sep 2014. [21] Zafer Yavuz and Cemal Köse," Blood Vessel Extraction in Color Retinal Fundus Images with Enhancement Filtering and Unsupervised," Journal of Healthcare Engineering,volume 2017, Article ID 4897258, 12 pages [22] Bankhead, P., Scholfield, C. N., McGeown, J. G., & Curtis, T. M,Fast retinal vessel detection and measurement using wavelets and edge location refinement. PLoS ONE, 7(3), e32435. (2012). [23] Nogol MemariEmail authorAbd Rahman RamliM. Iqbal Bin SaripanSyamsiah MashohorMehrdad Moghbel,"Retinal Blood Vessel Segmentation by Using Matched Filtering and Fuzzy C-means Clustering with Integrated Level Set Method for Diabetic Retinopathy Assessment," Journal of Medical and Biological Engineering,pp 1–19. | ||
آمار تعداد مشاهده مقاله: 614 تعداد دریافت فایل اصل مقاله: 464 |