Tehran University Medical Journal

fa ارایه مدلی از شبکه‌های عصبی خودسازمان‌ده سلسله مراتبی در جهت تشخیص و طبقه‌بندی ضایعات شبکیه برای درجه‌بندی رتینوپاتی دیابتی Model of hierarchical self-organizing neural networks for detecting and classifying diabetic retinopathy مقاله اصیل Original Article <div style="text-align: justify;">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.</div> <div style="direction: ltr; text-align: justify;"></div> <div></div> <div style="text-align: justify;">Background: One common symptom of diabetes is diabetic retinopathy, if not timely diagnosed and treated, leads to blindness. Retinal image analysis has been currently adopted to diagnose retinopathy. In this study, a model of hierarchical self-organized neural networks has been presented for the detection and classification of retina in diabetic patients. Methods: This study is a retrospective cross-sectional, conducted from December to February 2015 at the AJA University of Medical Sciences, Tehran. The study has been conducted on the MESSIDOR base, which included 1200 images from the posterior pole of the eye. Retinal images are classified into 3 categories: mild, moderate and severe. A system consisting of a new hybrid classification of SOM has been presented for the detection of retina lesions. The proposed system includes rapid preprocessing, extraction of lesions features, and finally provision of a classification model. In the preprocessing, the system is composed of three processes of primary separation of target lesions, separation of the optical disk, and separation of blood vessels from the retina. The second step is a collection of features based on various descriptions, such as morphology, color, light intensity, and moments. The classification includes a model of hierarchical self-organized networks named HSOM which is proposed to accelerate and increase the accuracy of lesions classification considering the high volume of information in the feature extraction. Results: The sensitivity, specificity and accuracy of the proposed model for the classification of diabetic retinopathy lesions is 98.9%, 96.77%, 97.87%, respectively. Conclusion: These days, the cases of diabetes with hypertension are constantly increasing, and one of the main adverse effects of this disease is related to eyes. In this respect, the diagnosis of retinopathy, which is the same as identification of exudates, microanurysm and bleeding, is of particular importance. The results show that the proposed model is able to detect lesions in diabetic retinopathy images and classify them with an acceptable accuracy. In addition, the results suggest that this method has an acceptable performance compared to other methods.</div> <div></div> طبقه‌بندی, ضایعات شبکیه, رتینوپاتی دیابتی, شبکه عصبی خودسازمان‌ده classification, retinal lesions, retinopathy, self-organized neural network 26 32 http://tumj.tums.ac.ir/browse.php?a_code=A-10-3666-26&slc_lang=fa&sid=1 Hossein Ghayoumi Zadeh حسین قیومی‌زاده h.ghayoumizadeh@gmail.com Yes Department of Electrical Engi-neering, Vali-e-Asr University of Rafsanjan, Rafsanjan, Iran. گروه مهندسی برق، دانشگاه ولی‌عصر (عج) رفسنجان، رفسنجان، ایران. Mostafa Danaeian مصطفی دانائیان No Department of Electrical Engi-neering, Vali-e-Asr University of Rafsanjan, Rafsanjan, Iran. گروه مهندسی برق، دانشگاه ولی‌عصر (عج) رفسنجان، رفسنجان، ایران. Ali Fayazi علی فیاضی No Department of Electrical Engi-neering, Vali-e-Asr University of Rafsanjan, Rafsanjan, Iran. گروه مهندسی برق، دانشگاه ولی‌عصر (عج) رفسنجان، رفسنجان، ایران. Farshad Namdari فرشاد نامداری No AJA University of Medical Sci-ences, Tehran, Iran. دانشگاه علوم پزشکی ارتش، تهران، ایران. Sayed Mohammad Mostafavi Isfahani سید محمد مصطفوی اصفهانی No Visual Communications Lab, Gwangju Institute of Science and Technology (GIST), Gwangju, South Korea. آزمایشگاه ارتباطات بصری، موسسه علوم و فناوری گوانگجو، گوانگجو، کره جنوبی.