یک روش کارآمد برای طبقه بندی چندکلاسه خودکار تصاویر SD-OCT چشم انسان برپایه استخراج لایه ی RNFL و پیوند IS/OS شبکیه و الگوریتم درخت تصمیم ترکیبی

بررسی شهودی لایه های شبکیه در تصاویر برش نگاری همدوسی اپتیکی حوزه طیف (SD-OCT) یکی از روش های اصلی مورد استفاده ی پزشکان برای تشخیص بیماری هایی شبکیه است. این روش با چالش هایی مانند نویز، پیچیدگی تصاویر و نزدیکی لایه های شبکیه مواجه می باشد. در سال های اخیر تشخیص خودکار بیماری های شبکیه چشم به یکی از موضوعات مهم بالینی در حوزه بینایی کامپیوتر تبدیل شده است. در این تحقیق، روشی جدید برای طبقه بندی کارآمد چندکلاسه خودکار تصاویر SD-OCT ارایه گردیده است. این روش متشکل از پنج مرحله پیش پردازش، تشخیص لایه ها، استخراج ویژگی ها، کاهش بعد، و طبقه بندی تصویر است. بررسی شکل لایهی RNFL و پیوند IS/OS به عنوان روشی بالینی در تصمیم گیری های پزشکان برای تشخیص بیماری های شبکیه موثر هستند. ازاین رو در این پژوهش، با الهام از این روش تشخیص بالینی، لایه RNFL و پیوند IS/OS توسط روشی جدید مبتنی بر الگوریتم بهبود رگ فرنگی و گرادیان تصویر تشخیص داده شده اند. سپس با استخراج و انتخاب انواعی از ویژگی های موثر از لایه ها، الگوریتمی برپایه درخت تصمیم ترکیبی برای طبقه بندی تصاویر شبکیه پیشنهاد گردیده و در قالب یک نرم افزار کاربردی در متلب ارایه شده است. روش پیشنهادی بر روی تصاویر دو پایگاه داده شناخته شده دوک و کرمنی ارزیابی گردیده است. بر اساس نتایج، دقت، حساسیت، اختصاصیت، درستی، نرخ منفی نادرست و معیار F1 روش پیشنهادی در پایگاه داده دوک به ترتیب برابر 7/98، 8/98، 4/99، 1/99، 3/1 و 7/98 درصد و در پایگاه کرمنی به ترتیب برابر 8/96، 7/96، 9/98، 4/98، 2/3، 7/96 درصد است. نتایج نشان دهنده برتری روش پیشنهادی در مقایسه با دیگر روش های مقایسه ای است. درمجموع بکارگیری ویژگی های کارآمد از لایه های تاثیرگذار شبکیه و توانمندی روش طبقه بندی، موجب ارتقای عملکرد روش پیشنهادی در مقایسه با روش های پیچیده تر پیشین شده است.