رویکرد یکپارچه موثر برای آشکارسازی ترشحات و Maculopathy دیابتی در تصاویر فوندوس رنگی
صفحات فارسی : 14 تعداد کلمات فارسی:3015
صفحات انگلیسی :9
چکیده :
بیماری شبکیه دیابتی ( DR) در واقع علت اصلی کوری می باشد . ترشحات یکی از نشانه های اولیه بیماری شبکیه دیابتی هستند که می توانستند با فرآیند گزینش اولیه جلوگیری گردند . فرآیند و دانش پردازش تصویر دیجیتالی برای تشخیص موارد مترشحه از تصاویر شبکیه در این رویکرد اعمال می گردد . روش خودکار برای آشکار سازی و موضعی ساختن وجود ترشحات و Maculopathy از تصاویر دیجیتالی با قیاس کم بیمار شبکیه با مردمک های چشم بدون ترشح پیشنهاد می دهد . اولا ، تصویر با استفاده از الگوریتم خوشه بندی میانه های k رنگی قطعه بندی می گردد تصویر قطعه بندی شده با نقطه کور انتخاب می گردد . ویژگی های مبتنی بر رنگ و بافت برای دسته بندی این منطقه دسته بندی شده استخراج می گردند . بردار ویژگی انتخاب شده بر طبق ترشحات و غیر مترشحه با استفاده از دسته کننده ماشین بردار پشتیبانی ( SVM ) دسته بندی می شوند . همچنین آشکار سازی Maculopathy دیابتی که مرحله شدید بیماری شبکیه می باشد ، با استفاده از عملیات مورفولوژیکی اجراء می گردد . تصاویر با ترشحات با استفاده از استاندارد رفرنس کلینیکی با نرخ موفقیت 96 درصد کشف شده بودند . این روش به نظر نوید بخش می رسد چون می تواند مناطق بسیار کوچک ترشحات را آشکار سازد .
ABSTRACT
Diabetic Retinopathy (DR) is a major cause of blindness. Exudates are one of the primary signs of
diabetic retinopathy which is a main cause of blindness that could be prevented with an early screening process In this approach, the process and knowledge of digital image processing to diagnose exudates from images of retina is applied. An automated method to detect and localize the presence of exudates and Maculopathy from low-contrast digital images of Retinopathy patient’s with non-dilated pupils is proposed. First, the image is segmented using colour K-means Clustering algorithm. The segmented image along with Optic Disc (OD) is chosen. To Classify these segmented region, features based on colour and texture are extracted. The selected feature vector are then classified into exudates and nonexudates using a Support Vector Machine (SVM) Classifier. Also the detection of Diabetic Maculopathy, which is the severe stage of Diabetic Retinopathy is performed using Morphological Operation. Using a clinical reference standard, images with exudates were detected with 96% success rate. This method appears promising as it can detect the very small areas of exudates.
دانلود رایگان مقاله انگلیسی
دانلود مقاله دات کام 
توضیحات محصول
رویکرد یکپارچه موثر برای آشکارسازی ترشحات و Maculopathy دیابتی در تصاویر فوندوس رنگی
صفحات فارسی : 14 تعداد کلمات فارسی:3015
صفحات انگلیسی :9
چکیده :
بیماری شبکیه دیابتی ( DR) در واقع علت اصلی کوری می باشد . ترشحات یکی از نشانه های اولیه بیماری شبکیه دیابتی هستند که می توانستند با فرآیند گزینش اولیه جلوگیری گردند . فرآیند و دانش پردازش تصویر دیجیتالی برای تشخیص موارد مترشحه از تصاویر شبکیه در این رویکرد اعمال می گردد . روش خودکار برای آشکار سازی و موضعی ساختن وجود ترشحات و Maculopathy از تصاویر دیجیتالی با قیاس کم بیمار شبکیه با مردمک های چشم بدون ترشح پیشنهاد می دهد . اولا ، تصویر با استفاده از الگوریتم خوشه بندی میانه های k رنگی قطعه بندی می گردد تصویر قطعه بندی شده با نقطه کور انتخاب می گردد . ویژگی های مبتنی بر رنگ و بافت برای دسته بندی این منطقه دسته بندی شده استخراج می گردند . بردار ویژگی انتخاب شده بر طبق ترشحات و غیر مترشحه با استفاده از دسته کننده ماشین بردار پشتیبانی ( SVM ) دسته بندی می شوند . همچنین آشکار سازی Maculopathy دیابتی که مرحله شدید بیماری شبکیه می باشد ، با استفاده از عملیات مورفولوژیکی اجراء می گردد . تصاویر با ترشحات با استفاده از استاندارد رفرنس کلینیکی با نرخ موفقیت 96 درصد کشف شده بودند . این روش به نظر نوید بخش می رسد چون می تواند مناطق بسیار کوچک ترشحات را آشکار سازد .
ABSTRACT
Diabetic Retinopathy (DR) is a major cause of blindness. Exudates are one of the primary signs of
diabetic retinopathy which is a main cause of blindness that could be prevented with an early screening process In this approach, the process and knowledge of digital image processing to diagnose exudates from images of retina is applied. An automated method to detect and localize the presence of exudates and Maculopathy from low-contrast digital images of Retinopathy patient’s with non-dilated pupils is proposed. First, the image is segmented using colour K-means Clustering algorithm. The segmented image along with Optic Disc (OD) is chosen. To Classify these segmented region, features based on colour and texture are extracted. The selected feature vector are then classified into exudates and nonexudates using a Support Vector Machine (SVM) Classifier. Also the detection of Diabetic Maculopathy, which is the severe stage of Diabetic Retinopathy is performed using Morphological Operation. Using a clinical reference standard, images with exudates were detected with 96% success rate. This method appears promising as it can detect the very small areas of exudates.
دانلود رایگان مقاله انگلیسی