دوره 76، شماره 1 - ( فروردین 1397 )
جلد 76 شماره 1 صفحات 32-26 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ghayoumi Zadeh H, Danaeian M, Fayazi A, Namdari F, Mostafavi Isfahani S M. Model of hierarchical self-organizing neural networks for detecting and classifying diabetic retinopathy. Tehran Univ Med J 2018; 76 (1) :26-32
URL: http://tumj.tums.ac.ir/article-1-8666-fa.html
URL: http://tumj.tums.ac.ir/article-1-8666-fa.html
قیومی‌زاده حسین، دانائیان مصطفی، فیاضی علی، نامداری فرشاد، مصطفوی اصفهانی سید محمد. ارایه مدلی از شبکه‌های عصبی خودسازمان‌ده سلسله مراتبی در جهت تشخیص و طبقه‌بندی ضایعات شبکیه برای درجه‌بندی رتینوپاتی دیابتی. مجله دانشکده پزشکی، دانشگاه علوم پزشکی تهران. 1397; 76 (1) :26-32
1- گروه مهندسی برق، دانشگاه ولی‌عصر (عج) رفسنجان، رفسنجان، ایران. ، h.ghayoumizadeh@gmail.com
2- گروه مهندسی برق، دانشگاه ولی‌عصر (عج) رفسنجان، رفسنجان، ایران.
3- دانشگاه علوم پزشکی ارتش، تهران، ایران.
4- آزمایشگاه ارتباطات بصری، موسسه علوم و فناوری گوانگجو، گوانگجو، کره جنوبی.
2- گروه مهندسی برق، دانشگاه ولی‌عصر (عج) رفسنجان، رفسنجان، ایران.
3- دانشگاه علوم پزشکی ارتش، تهران، ایران.
4- آزمایشگاه ارتباطات بصری، موسسه علوم و فناوری گوانگجو، گوانگجو، کره جنوبی.
چکیده: (3486 مشاهده)
زمینه و هدف: دیابت، بیماری شایعی است که با ایجاد عوارض چشمی منجر به کاهش بینایی و کوری می‌گردد. در این پژوهش مدلی از شبکه‌های عصبی خودسازمان‌ده سلسله مراتبی در جهت تشخیص و طبقه‌بندی ضایعات شبکیه (رتینوپاتی دیابتی) ارایه شد.
روش بررسی: نوع مطالعه به‌صورت مقطعی گذشته‌نگر می‌باشد که از دی تا اسفند ۱۳۹۴ در دانشگاه علوم پزشکی ارتش انجام پذیرفت. مطالعه بر روی پایگاه MESSIDOR که شامل ۱۲۰۰ تصویر از قطب خلفی چشم می‌باشد انجام گرفته است. تصاویر شبکیه به سه دسته خفیف، متوسط و شدید طبقه‌بندی شده‌اند. یک سیستم متشکل از یک طبقه‌بندی ترکیبی جدید از Self-organising map (SOM) algorithm برای تشخیص ضایعات شبکیه ارایه شده است. سیستم پیشنهادی شامل پیش‌پردازش سریع، استخراج ویژگی مربوط به ضایعات و در نهایت ارایه مدلی جهت طبقه‌بندی می‌باشد. در پیش‌پردازش، سیستم از سه فرآیند جداسازی اولیه ضایعات هدف، جداسازی دیسک نوری و درنهایت جداسازی عروق خونی از شبیکه تشکیل شده است. گام دوم مجموعه‌ای از ویژگی‌ها بر اساس توصیف‌های مختلف مانند مورفولوژی، رنگ، شدت نور و مومنت‌ها می‌باشند. طبقه‌بندی شامل ارایه یک مدل از شبکه‌های خودسازمان‌ده سلسله مراتبی می‌باشد که جهت تسریع و افزایش دقت در کلاس‌بندی ضایعات با مدنظر قرار دادن حجم بالای داده‌ها در استخراج ویژگی ارایه شده است.
یافته‌ها: میزان حساسیت، ویژگی و دقت به‌دست‌آمده از مدل پیشنهادی برای طبقه‌بندی ضایعات رتینوپاتی دیابتی، به‌ترتیب برابر با ۹۸/۵۱% (CI ۹۵% ۹۹/۵% تا ۹۶%)، ۹۶/۷۷% (CI ۹۵% ۹۷% تا ۹۴%) و ۹۷/۸۷% (CI ۹۵% ۹۸% تا ۹۵%) بود.
نتیجه‌گیری: بر اساس نتایج به‌دست‌آمده، مدل پیشنهادی قادر است ضایعات را در تصاویر رتینوپاتی دیابتی تشخیص و با دقت مناسبی طبقه‌بندی نماید.
روش بررسی: نوع مطالعه به‌صورت مقطعی گذشته‌نگر می‌باشد که از دی تا اسفند ۱۳۹۴ در دانشگاه علوم پزشکی ارتش انجام پذیرفت. مطالعه بر روی پایگاه MESSIDOR که شامل ۱۲۰۰ تصویر از قطب خلفی چشم می‌باشد انجام گرفته است. تصاویر شبکیه به سه دسته خفیف، متوسط و شدید طبقه‌بندی شده‌اند. یک سیستم متشکل از یک طبقه‌بندی ترکیبی جدید از Self-organising map (SOM) algorithm برای تشخیص ضایعات شبکیه ارایه شده است. سیستم پیشنهادی شامل پیش‌پردازش سریع، استخراج ویژگی مربوط به ضایعات و در نهایت ارایه مدلی جهت طبقه‌بندی می‌باشد. در پیش‌پردازش، سیستم از سه فرآیند جداسازی اولیه ضایعات هدف، جداسازی دیسک نوری و درنهایت جداسازی عروق خونی از شبیکه تشکیل شده است. گام دوم مجموعه‌ای از ویژگی‌ها بر اساس توصیف‌های مختلف مانند مورفولوژی، رنگ، شدت نور و مومنت‌ها می‌باشند. طبقه‌بندی شامل ارایه یک مدل از شبکه‌های خودسازمان‌ده سلسله مراتبی می‌باشد که جهت تسریع و افزایش دقت در کلاس‌بندی ضایعات با مدنظر قرار دادن حجم بالای داده‌ها در استخراج ویژگی ارایه شده است.
یافته‌ها: میزان حساسیت، ویژگی و دقت به‌دست‌آمده از مدل پیشنهادی برای طبقه‌بندی ضایعات رتینوپاتی دیابتی، به‌ترتیب برابر با ۹۸/۵۱% (CI ۹۵% ۹۹/۵% تا ۹۶%)، ۹۶/۷۷% (CI ۹۵% ۹۷% تا ۹۴%) و ۹۷/۸۷% (CI ۹۵% ۹۸% تا ۹۵%) بود.
نتیجه‌گیری: بر اساس نتایج به‌دست‌آمده، مدل پیشنهادی قادر است ضایعات را در تصاویر رتینوپاتی دیابتی تشخیص و با دقت مناسبی طبقه‌بندی نماید.
نوع مطالعه: مقاله اصیل |
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
