قطعه بندی عروق چشم

شناسایی اجزای چشم (رگ های خونی، اعصاب اپتیک و لکه های موجود در شبکیه) یک گام اساسی در تشخیص اتوماتیک برخی از بیماری های چشم است. این تصاویر نقش موثری در تشخیص مراحل اولیه بیماری ها نظیر دیابت بازی می کند. این تشخیص با مقایسه ی حالت رگ های خونی در طول زمان انجام می شود. مشخصات ذاتی تصاویر شبکیه به نوعی است که عمل تشخیص رگ های خونی را با مشکل همراه می سازد. دلیل انتخاب مسئله قطعه بندی عروق در پایان نامه حاضر، اهمیت و تأثیر بالای این موضوع در تشخیص بیماری های چشمی بوده، افزایش دقت روش های موجود و رشد روزافزون روش های جداسازی می تواند دلیل خوبی بر این پژوهش باشد. هدف اصلی این پژوهش ارائه ی روشی جدید با دقت بالا و قابل مقایسه با روش های موجود در این زمینه است. در این پایان نامه ابتدا روش های کلی موجود در قطعه بندی عروق چشم بررسی می گردند. سپس به پیاده سازی برخی روش های مهم به کمک نرم افزار matlab در این زمینه می پردازیم. در فصل بعدی به ارزیابی و مقایسه روش های قبلی، بررسی مزایا و معایب این روش ها پرداخته و یک روش کلی را به عنوان روش قابل قبول انتخاب می نماییم، این روش، چارچوب کلی این تحقیق را در بر می گیرد. ایده های اصلی بکار رفته در این پژوهش، طرح یک روش جدید آستانه گذاری محلی به کمک درخت چهارگانه (برای مرحله بخش بندی تصویر)، استفاده از روش کانتور فعال در جداسازی رگ و در نهایت بیان یک روش جدید بدون بکار بستن محاسبات سنگین ریاضی برای جداسازی رگ می باشد. همچنین در فاز جداسازی روش های فیلتر تطبیقی و خوشه بندی با نظارت با پیش پردازش پیشنهادی بهبود یافتند. برای ارزیابی طرح پیشنهادی در این پایان نامه، از پایگاه داده تصاویر آنژیوگرام استاندارد به نام drive استفاده نمودیم. نتایج عملی بر روی این پایگاه داده نشان می دهد که رگ های خونی تصاویر شبکیه با اعمال پیش پردازش پیشنهادی به خوبی از پس زمینه قابل تشخیص هستند. به دلیل اینکه فرایند جداسازی رگ در مراحل مختلفی صورت می گیرد لذا سعی بر این بوده که در هر مرحله، اصلاحات و پیشنهاد های مفیدی ارائه گردد ودر مجموع باعث بالا رفتن کارایی فرایند جداسازی رگ و کسب نتایج بهتر نسبت به روش های کنونی گردد. با استفاده از پیش پردازش پیشنهادی دقت الگوریتم فیلتر تطبیقی 3% و خوشه بندی با نظارت را 2% بهبود یافتند. با استفاده از الگوریتم کانتورفعال به دقت 0.9382 و الگوریتم پیشنهادی دوم به دقت 0.9581 رسیدیم. مقادیر فوق قابل مقایسه با روش های موجود هستند. در مجموع می توان ادعا کرد که حاصل این پژوهش منجر به بالا رفتن دقت جداسازی، تا حدود 3 درصد (بطور متوسط) می گردد.