Retinal Görüntülerdeki Mikroanevrizmaların ve Hemorajilerin Tespiti

İçindekiler  Giriş  Yöntem  Geliştirilen Uygulama ve Deneysel Sonuçlar  Sonuç ve Öneriler

Giriş  Diyabetik Retinopati: Diyabetik Retinopati, şeker hastalığının sonucu ortaya çıkan ve körlüğe neden olan mikrovasküler bir komplikasyondur. Bu hastalığın erken teşhisi ve tedavisi, görme kaybını önemli derecede azaltabilir. Yetişkin insanlardaki körlüğün birinci nedeni olarak bu hastalık görülmektedir.  Mikroanevrizma ve hemoraji lezyonları bu hastalığın başlangıç evresinde ortaya çıkan anormal bulgular arasındadır.

Giriş  Mikroanevrizma, kan damarlarının zayıflamasının sonucu ortaya çıkan retinal kan damarlarının şişmesi veya açılmasıdır.  Hemoraji, retinal tabakada meydana gelen kanamadır ve farklı boyutlarda ve koyu kırmızı renk yoğunluğunda gözlemlenirler. Şekil 2. Anormal bulgular: a) mikroanevrizma(ok ile gösterilen bölge); b) hemorajiler

Giriş  Lezyonların otomatik tespiti için bir sistem 1. Rastgele boyut ve koordinatlardaki bölgelerden elde edilen Gabor özellikleri 2. Lezyon tespit sistemi başarılarının karşılaştırması [en iyi performans ] 3. Yeni bir retina görüntüsünün analizi…

Giriş 1.Sistemin öğrenmesi a) İlgi duyulan bölgelerin elde edilmesi, b) Bölgelere ait Gabor özelliklerinin çıkarımı, c) Performans değerlendirmesi 1) Doku benzerliği 2) Hash value 3) Sınıflandırıcı algoritması d) Karar destek sistemi 2. Yeni retinal görüntülerin analizi a) ORB algoritması ile anahtar noktaların tespiti, b) Gabor özelliklerinin çıkarımı c) Lezyonlarının tespiti

Giriş Performans değerlendirmesi 1) Doku benzerliği Gabor öznitelikleri ile benzer dokuda olan bölgelerin tespiti 2) Hash value Sonuç Bilgi=H(Orijinal bilgi) 3) Sınıflandırıcı algoritması Matematiksel modellere dayalı algoritmalar ile gerçekleştirilen, eğitim ve test süreçlerinden oluşan ve makine öğrenmesi için gerekli ve önemli bir aşamadır.

Yöntem Çalışmamızı her biri 1500×1152 boyutunda renkli görüntülerin olduğu ve tüm araştırmacıların kullanımına açık DIARETDB1 veri seti üzerinde test ettik. RGB renk uzayındaki bir görüntüden bilgi çıkarımında ortamdaki ışık yoğunluğu değişiklikleri zorluklara neden olur. Lezyonlu bölgelerin tespitinde performansı arttırmak ve görüntünün kalitesini arttırmak için Kontrast Sınırlamalı Adaptif Histogram Eşitleme (CLAHE) metoduyla elde ettiğimiz görüntüler üzerinde çalıştık. 1 2

Yöntem Hemoraji ve mikroanevrizma bölgelerinin diğer renk dağılımlarına göre koyu renk yapısında olması nedeniyle CLAHE metodu ile elde edilen görüntüye ters çevirme (invert) işlemi uygulanmıştır. Bu görüntü üzerinde parlak bölgelerin çıkarımı algoritması uygulanılarak elde edilen görüntü üzerinde SURF algoritması ile anahtar noktaların tespiti gerçekleştirilmiştir.

Yöntem  Calışmamizda optik disk ve makula bölgelerinde de anahtar noktaların tespit edildiğini deneysel çalışmalarda gözlemledik. Makula bölgesinde kan damarları bulunmaz ve koyu bir renk yapısındadır. Retinanın merkezinde bulunur ve çemberimsi bir yapısı vardır. Hemoraji ve mikroanevrizma gibi bölgelerin tespitinde bu bölgenin yerinin tespit edilmesi daha doğru sonuçlar elde etmemizi sağlayacaktır. 1 2

Yöntem Anahtar noktalarının çıkarımında retinal görüntüdeki damar yapıları üzerindeki noktaların elenmesi için damar yapısının çıkartılması gerekir. a) Optik disk ve makulanın konumu b) Retinal görüntüden damar çıkarımı Şekil 3. Retinal görüntü üzerinde yapılan işlemler

Yöntem Performans Değerlendirmesi “İşleme alınan bölge hastalıklı mı değil mi” sorusu tıp alanında cevaplanması gereken en önemli sorudur. Bir tanı testini değerlendirirken karşılaşılabilecek durumlar şunlardır: DP, gerçek pozitif olan bölgelerin pozitif olarak bulunması DN, gerçek negatif olan bölgelerin negatif olarak bulunması YP, gerçek negatif olan bölgelerin pozitif olarak bulunması YN, gerçek pozitif olan bölgelerin negatif olarak bulunması

Yöntem Performans Değerlendirmesi “Duyarlılık” (Sensitivity - Sn), “Seçicilik” (Specificity - Sp) ve “Doğruluk” (Accuracy - Acc) değerleri ile sistemin performansı kontrol edilmiştir. “Duyarlılık”, toplam hastalıklı bölgelerin içinde gerçek doğru bulunan bölge sayısının oranıdır. “Seçicilik”, toplam hasta olmayan bölgelerin içinde gerçek doğru bulunan normal bölgelerin sayısının oranıdır. “Doğruluk” analizdeki doğru sonuçların oranıdır.

Yöntem Modelin İnşası

Yöntem Modelin İnşası

Deneysel Sonuçlar Bu tablodaki veriler dikkatlice incelendiğinde görüleceği üzere, RO sınıflandırıcısı en iyi sonucu verdiği için yeni retinaların analizinde bu sınıflandırıcı tercih edilmiştir.