دانشگاه تربیت دبیر شهید رجائی
انتشارات دانشگاه تربیت دبیر شهید رجائی

  اخبار و اعلانات

 آمار

تعداد نشریات11
تعداد شماره‌ها210
تعداد مقالات2,098
تعداد مشاهده مقاله2,877,811
تعداد دریافت فایل اصل مقاله2,085,689
منتظری, آزاده, شمسی, محبوبه, دیانت, روح الله. (1398). تشخیص اتوماتیک بیمارهای شبکیه چشم با استفاده از مدل های ریاضیاتی پردازش تصویر، مبتنی بر یادگیری دیکشنری چند لایه. فناوری آموزش, 13(2), 234-248. doi: 10.22061/jte.2018.3434.1872
آزاده منتظری; محبوبه شمسی; روح الله دیانت. "تشخیص اتوماتیک بیمارهای شبکیه چشم با استفاده از مدل های ریاضیاتی پردازش تصویر، مبتنی بر یادگیری دیکشنری چند لایه". فناوری آموزش, 13, 2, 1398, 234-248. doi: 10.22061/jte.2018.3434.1872
منتظری, آزاده, شمسی, محبوبه, دیانت, روح الله. (1398). 'تشخیص اتوماتیک بیمارهای شبکیه چشم با استفاده از مدل های ریاضیاتی پردازش تصویر، مبتنی بر یادگیری دیکشنری چند لایه', فناوری آموزش, 13(2), pp. 234-248. doi: 10.22061/jte.2018.3434.1872
منتظری, آزاده, شمسی, محبوبه, دیانت, روح الله. تشخیص اتوماتیک بیمارهای شبکیه چشم با استفاده از مدل های ریاضیاتی پردازش تصویر، مبتنی بر یادگیری دیکشنری چند لایه. فناوری آموزش, 1398; 13(2): 234-248. doi: 10.22061/jte.2018.3434.1872

تشخیص اتوماتیک بیمارهای شبکیه چشم با استفاده از مدل های ریاضیاتی پردازش تصویر، مبتنی بر یادگیری دیکشنری چند لایه

فناوری آموزش
مقاله 1، دوره 13، شماره 2 - شماره پیاپی 50، فروردین 1398، صفحه 234-248    اصل مقاله (1.63 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jte.2018.3434.1872
نویسندگان
آزاده منتظری1؛ محبوبه شمسی* 2؛ روح الله دیانت* 3
1گروه مهندسی فناوری اطلاعات، دانشکده کامپیوتر، دانشگاه قم، قم، ایران
2گروه کامپیوتر، دانشکده برق و کامپیوتر، دانشگاه صنعتی قم، قم، ایران
3گروه کامپیوتر، دانشکده کامپیوتر، دانشگاه قم، قم، ایران
تاریخ دریافت: 26 اسفند 1396،  تاریخ بازنگری: 03 شهریور 1397،  تاریخ پذیرش: 04 مهر 1397 
چکیده
پیشینه و اهداف: پردازش تصویر یکی از مسائل مهم در حوزه­ی هوش مصنوعی می­باشد که در موارد مختلف صنعتی، پزشکی، نظامی، سیستم مای امنیتی و.. کاربرد دارد. از مهم‌ترین زمینه‌های کـاربـردی پردازش تصویر استخـراج قـواعـد طبقه‌بندی در حیطـه علـم پـزشکی است. با به‌کارگیری الگوریتم‌های قدرتمند این حوزه می‌توان سیستم های هوشمندی ابداع کرد که به شکل خودکار و بدون نیاز به نظارت پزشک قادر به فهم و تفسیر ویژگی‌های پزشکی افراد باشند یا اطلاعات مفیدی را اکتشاف کنند که متخصصان را در قضاوت صحیح یاری رساند. زمانی که پارامترهای لازم برای تشخیص بیماری زیاد می‌شود، تشخیص و پیش‌بینی بیماری حتی برای یک متخصص خبره پزشکی نیز به‌سختی ممکن می­گردد به همین دلیل در چند دهه اخیر ابزار تشخیص کامپیوتری باهدف کمک به پزشک مورد استفاده قرارگرفته است. این مهم موجب شده است که خطاهای احتمالی ناشی از خستگی یا بی‌تجربگی فرد متخصص تا حدی کاهش پیدا کند و داده‌های پزشکی موردنیاز، طی مدت‌زمان کمتر و با جزئیات و دقت بیشتر در اختیار پزشک قرار گیرد. هدف از این مطالعه بهبود عملکرد طبقه‌بندی روش‌های نوین، با استفاده از مدلی چندلایه به‌منظور کمک به تشخیص بیماری‌های شبکیه‌ی چشم است.
روش ها: این مدل از الگوریتم K-SVD پیشرفته، برای یادگیری ماتریس دیکشنری و الگوهای پایه استفاده می‌کند تا بتواند با الگوپذیری از معماری چندلایه، ویژگی‌های بهتری را در تصاویر OCT شبکیه بیاموزد. همچنین در این معماری، علاوه بر استفاده از برچسب‌های کلاس داده‌های آموزشی، اطلاعات برچسب نیز در هر ستون‌پایه در ماتریس دیکشنری ترکیب می‌شود تا در کدگذاری تنک در طی فرآیند یادگیری دیکشنری بیشترین تبعیض اعمال شود که این منجر به موفقیت مراحل کدگذاری تنک و جمع‌بندی، در پیدا کردن نمایش مؤثرتری از داده به‌منظور طبقه‌بندی می‌گردد. برای اعتبارسنجی الگوریتم، از مجموعه داده‌های داک استفاده‌شده است. این مجموعه داده شامل اسکن‌های حجمی از 45 نوع، که 15 نوع حجم از آن طبیعی، 15 نوع بیمار تخریب ماکولای وابسته به سن (AMD) و 15 نوع بیمار ورم ماکولای دیابتی (DME) است که تعداد اسکن‌های OCT در هر حجم بین 36 تا 97 تصویر متغیر می‌باشد.
یافته ها: نتایج تجربی نشان می‌دهد که الگوریتم پیشنهادی این مقاله توانسته است با پیشی گرفتن از بسیاری از مدل‌های جدید یادگیری دیکشنری و نمایش تنک، بسیار خوب عمل نماید و با دقت خوبی منجر به طبقه‌بندی صحیح %95.85 برای تصاویر نرمال و صد درصد برای تصاویر بیمار (DME و AMD) شود.
نتیجه گیری: نتیجه­ی این تحقیق ارائه­ی سیستمی اتوماتیک به‌منظور تشخیص برخی ناهنجاری مای شبکیه بود به‌طوری‌که با تحلیل و آنالیز بر روی‌داده‌های دام توانست با دقت بسیار خوبی در مقایسه با روش‌های نوین این حوزه در شناسایی الگوهای ظریف بیماری در تصاویر OCT موفق عمل نموده، تصاویر نرمال و بیمار را در دو بیماری تباهی ماکولای وابسته به سن یعنی AMD ورم ماکولای دیابتی یعنی DME را تفکیک و در تشخیص پاتولوژی شبکیه با دقت بسیار بالایی به پزشک معالج کمک کند. به‌عنوان یک پیشنهاد تحقیقاتی و کاربردی برای متخصصین و آیندگان با تعمیم این روش به کلاس مای بیشتر می‌توان تمام بیماری مای شبکیه را پوشش داد و از آن به‌عنوان ابزاری بالقوه مؤثر در تشخیص کامپیوتری و غربالگری بیماری‌های شبکیه و یا در حوزه مای وسیع‌تر چشم استفاده نمود.
کلیدواژه‌ها
یادگیری دیکشنری چند لایه؛ نمایش تنک؛ الگوریتم K-SVD؛ مقطع نگاری همدوسی شبکیه؛ طبقه بندی
موضوعات
محیط یادگیری
عنوان مقاله [English]
Automatic recognition of retinal diseases using mathematical models of image processing, based on multilayer-dictionary learning
نویسندگان [English]
A. Montazeri1؛ M. Shamsi2؛ R. Dianat3
1Department of Information Technology, Faculty of Computer, University of Qom, Iran
2Department of Computer, Faculty of Computer and Electrical, Qom University of Technology, Iran
3Department of Computer, Faculty of Computer, University of Qom, Iran
چکیده [English]
Background and Objective:Image processing is one of the most important issues in the field of artificial intelligence, which is used in various industrial, medical, military, and security systems. One of the most important applications of image processing is the extraction of different types of classification in the field of medical sciences. By using powerful algorithms in this field, intelligent systems can be invented that automatically understand and interpret the medical characteristics of individuals without the need to the physician supervision can discover useful information to help experts make good judgments. When the necessary parameters for the diagnosis of the disease increase, the diagnosis and prognosis of the disease becomes very difficult even for an expert, which is why computer diagnostic tools have been used in recent decades to help the physicians. This has led to a reduction in possible errors due to fatigue or inexperience of the specialist, and to provide the required medical data to the physician in less time and with more detail and accuracy. The purpose of this study is to improve the classification of new methods using a multi-layered model to address retinal diseases diagnosis.
Methods: This paper presents a multi-layer dictionary learning method for classification tasks.  Our multi-layer framework uses a label consistent in K-SVD algorithm to learn a discriminative dictionary for sparse coding in order to learn better features in retinal optical coherence tomography images. In addition to using class labels of training data, we also associate label information with each dictionary item (columns of the dictionary matrix) to enforce discrimination in sparse codes during dictionary learning process. In fact, it relies on a succession of sparse coding and pooling steps in order to find an effective representation of data for classification. Moreover, we apply Duke dataset for validating our algorithm: Duke spectral domain OCT (SD-OCT) dataset, consisting of volumetric scans acquired from 45 subjects 15 normal subjects, 15 AMD patients, and 15 DME patients.
Findings: Our classifier leads to a correct classification rate of 95.85% and 100.00% for normal and abnormal (DME and AMD). Experimental results demonstrate that our algorithm outperforms compared to many recent proposed supervised dictionary learning and sparse representation techniques.
Conlusion: The results of this study were to provide an automatic system for the diagnosis of some retinal abnormalities in a way that it could do data analysis with high accuracy in comparison to other modern methods to diagnosis delicate patterns of OCT, separate images of normal and patient the normal and in two age-related macular degeneration diseases (AMD), and diabetic macular degeneration (DME), and help the physician to diagnose retinal pathology with great care. As a suggestion for professionals and future research, by generalizing this method to the more classes, we can cover the entire retinal myopia and use it as a potentially effective tool in computerized diagnosis and screening for retinal disease or in the wider eye area.

کلیدواژه‌ها [English]
Multi-layer Dictionary Learning, Sparse Representation, K-SVD Algorithm, Optical Coherence Tomography, Classification
مراجع

 

[1] Schirrmacher F, Köhler T, Husvogt L. Quantile sparse image prior for spatio-temporal denoising of retinal OCT data. Medical Image Computing and Computer-Assisted Intervention. 2017;  12(4): 83-91.

[2] Sarbjeet Kaur V, Banga K. Review paper of character recognition using image processing. International Journal of Computer Science & Engineering Technology. 2014; 5(1): 254-268.

[3] Fan Meng et al. A sparse dictionary learning-based adaptive patch in painting method for thick Clouds removal from high-spatial resolution remote sensing imagery. Sensors. 2017; 17(9): 123-135.

[4] Zheng H, Zhu J, Yang Z, Jin Z. Effective micro-expression recognition using relaxed K-SVD algorithm. International Journal of Machine Learning. 2017; 8(6): 2043-2049.

[5] Chan Wai Tim S, Rombaut M, Pellerin D. Rejection-based classification for action recognition using a spatio-temporal dictionary. Advanced Concepts for Intelligent Vision Systems. 2015; 15(8), 522-533.

[6] Zhang Z. et al. Discriminative-dictionary-learning-based multilevel point-cluster features for ALS point cloud classification. IEEE Transactions on Geoscience and Remote Sensing. 2016; 54(12): 334-347.

[7] Zhang Z. et al. Sparse codes auto-extractor for classification: A joint embedding and dictionary learning framework for representation. IEEE Signal Processing Society. 2016; 64(14): 553-561.

[8] de Moura J, Novo J, Rouco J. Automatic Detection of Blood Vessels in Retinal OCT Images. Biomedical Applications Based on Natural and Artificial Computing. 2017; 10(4): 3-10.

[9] Oguz I. et al. (2016). Optimal retinal cyst segmentation from OCT images. Medical Imaging, 15(9), 245-256.

[10] Sun, Y, Lim S, Sun Z. Fully automated macular pathology detection in retina optical coherence tomography images using sparse coding and dictionary learning. Journal of Biomedical Optics. 2017; 22(1): 214-225

[11] Rickman CB. et al. Dry age-related macular degeneration: mechanisms, therapeutic targets, and imagingdry AMD mechanisms, targets, and imaging.Invest. Ophthalmol. Visual Sci. 2013; 54(14): 68– 80.

[12] Antonym BJ et al. A combined machine-learning and graph-based framework for the segmentation of retinal surfaces in SD-OCT volumes. Biomed. Opt. Express. 2013; 4(12): 2712–2728.

[13] Carass A. et al. Multiple-object geometric deformable model for segmentation of macular OCT. Biomed. Opt. Express. 2014; 5(4): 1062–1074.

[14] Chium S J. et al. Validated automatic segmentation of AMD pathology including drusen and geographic atrophy in SD-OCT images. Invest. Ophthalmol. Visual Sci. 2012; 53(1): 53–61.

[15] Sun Y. et al. 3D automatic segmentation method for retinal optical coherence tomography volume data using boundary surface enhancement. J. Innovative Opt. Health Sci. 2016; 9(2): 165-177.

[16] Vermeer K. et al. Automated segmentation by pixel classification of retinal layers in ophthalmic OCT images. Biomed. Opt. Express. 2011; 2(6): 1743–1756.

[17] Yang, Q. et al. Automated segmentation of outer retinal layers in macular OCT images of patients with retinitis pigmentosa. Biomed. Opt. Express. 2011; 2(9): 2493–2503.

[18] Lang A. et al. Retinal layer segmentation of macular OCT images using boundary classification. Biomed. Opt. Express. 2013; 4(7): 1133–1152.

[19] Garcia-Allende PB et al. Morphological analysis of optical coherence tomography images for automated classification of gastrointestinal tissues. Biomed. Opt. Express. 2011; 2(10): 2821–2836.

[20] Chan S. et al. Multi-layer Dictionary Learning for Image Classification. Advanced Concepts for Intelligent Vision Systems. 2016; 4(15): 132-143.

[21] Jiang Z, Lin Z, Davis L. Learning a discriminative dictionary for sparse coding via label consistent K-SVD. IIEEE Computer Society Conference on Computer Cision and Pattern Recognition. 2011; 6(12), 1697-1704.

[22] Pande P. et al. Automated classification of optical coherence tomography images for the diagnosis of oral malignancy in the hamster cheek pouch. J. Biomed. Opt. 2014; 19(8), 356-368.

[23] Alsaih K, et al. Machine learning techniques for diabetic macular edema (DME) classification on SD-OCT images. Bio Medical Engineering. 2017; 16(1): 447-455.

[24] Liu Y. et al. Automated macular pathology diagnosis in retinal OCT images using multi-scale spatial pyramid and local binary patterns in texture and shape encoding. Med. Image Anal. 2011; 15(5): 748–759.

[25] Zheng Y, Hijazi MHA, Coenen F. Automated ‘disease/no disease’ grading of age-related macular degeneration by an image mining approach. Invest. Ophthalmol. Visual Sci. 2012; 53(13): 8310–8318.

[26] Hijazi MHA, Coenen F, Zheng Y. Data mining techniques for the screening of age-related macular degenerationg. Knowled e-Based Syst. 2012; 29(1): 83–92.

[27] Kafieh R, Rabbani H. Optical coherence tomography noise reduction over learned dictionaries with introduction of complex wavelet for noise reduction. Proceedings,Wavelets and Sparsity. 2013; 8858(26): 238-247.

[28] Albarrak A. et al. Volumetric image mining based on decomposition and graph analysis: an application to retinal optical coherence tomography. Computational Intelligence and Informatics. 2012; 1344(64): 245-256.

[29] Wang Q et al. Synthesis K-SVD based analysis dictionary learning for pattern classification. Multimedia Tools and Applications. 2017; 12(4): pp1-24.

[30] Srinivasan PP, et al. Fully automated detection of diabetic macular edema and dry age-related macular degeneration from optical coherence tomography images. Biomed. Opt. Express. 2014; 5(10): 3568–3577.

[31] Esmaeili M, Dehnavi AM, Rabbani H. Speckle noise reduction in optical coherence tomography using two-dimensional curvelet-based dictionary learning. Journal of Medical. 2017; 17(2), 86-91.

[32] Yankelevsky Y. et al. Structure-aware classification using supervised dictionary learning. Computer Vision and Pattern Recognition. 2016; 10(5): 679-692.

[33] Sun Y, Li SH, Sun ZH. Fully automated macular pathology detection in retina optical coherence tomography images using sparse coding and dictionary learning. J. Biomed. Opt. 2017; 22(1): 160-171.

[34] Hassan T, et al. Review of OCT and fundus images for detection of Macular Edema.  Imaging Systems and Techniques. 2015; 155(45): 234-245.

[35] Shalev-Shwartz S, Shamir O. Failures of gradient-based deep learning. International Journal of Machine Learning. 2017; 17(3): 456-466.

[36] Javidi M,  Pourreza HR, Harati A. (2017).  Vessel segmentation and microaneurysm detection using discriminative    dictionary learning and sparse representation. Computer Methods and Programs in Biomedicine. 2017; 139(1): 93-108.

https://www.semanticscholar.org/paper/Vessel-segmentation-and-microaneurysm-detection-and-Javidi-Pourreza/e14f2a1d71145be40ff8688024648ae6a079eae8

[37] Geimer T, et al. A Kernel Ridge regression model for respiratory motion estimation in radiotherapy. Bildverarbeitung für die Medizin. 2017; 13(4): 155-160.

[38] Khalid S, et al. Fully automated robust system to detect retinal edema, central serous chorioretinopathy, and age related macular degeneration from optical coherence tomography images. J. Biomed. Opt. 2017; 71(48): 278-293.

[39] Lu D, et al. Retinal fluid segmentation and detection in optical coherence tomography images using fully convolutional neural network. Hindawi BioMed Research International. 2017; 17(6): 477- 489.

[40] Gangeh M, et al. Supervised dictionary learning and sparse representation-A review. Computer Vision and Pattern Recognition. 2015; 20(3): 145-158.

[41] Guan J, et al. Polynomial dictionary learning algorithms in sparse representations. Signal Processing. 2018; 142(7): 492-503

[42] Su H, et al. Multifeature dictionary learning for collaborative representation classification of Hyperspectral imagery. IEEE Transactions on Geoscien. 2018; 56(4): 345-357.

[43] Aggarwal CC, Reddy CK. Data clustering, algorithms and applications. New York: Wiley; 2013.

[44] Kafieh R. Combination of graph based and space-frequency methods in analysis of Optical coherence Tomography (OCT) images, (doctoral thesis), Isfahan University, Isfahan; 2014. Persian.

آمار
تعداد مشاهده مقاله: 2,231
تعداد دریافت فایل اصل مقاله: 1,418


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب