خلاصه

شناسایی رگهای شبکیه مسئله بحرانی در آنالیز تصاویر شبکیه است زیرا مشکلات و ناهنجاریهای رگهای شبکیه یکی از مشخصههای مهم در تشخیص بیماریهایی مانند دیابت و فشار خون است. شناسایی رگهای بزرگ در تصاویر شبکیه به دلیل کنتراست بالا نسبت به پشت زمینه کاری نسبتا آسان است اما شناسایی رگهای کوچکتر به دلیل کنتراست پایین و چرخشهای زیاد جهتی بسیار سختتر است.

قطعهبندی رگهای خونی شبکیه اولین گام در پروسه تشخیص بیماری است که به تنهایی میتواند بسیاری از بیماریها را شناسایی کند. در این مقاله از متد Retinex جهت افزایش صحت قطعهبندی رگهای خونی در تصاویر شبکیه چشم استفاده میشود. این متد به همراه قطعهبندی برپایه آستانه گذاری آنتروپی محلی به خوبی توانسته است با صحت بالا در مقایسه با سایر روشها، رگهای خونی شبکیه را در تصاویر مجموعه داده VICAVR که شامل تصاویر نرمال و آسیب دیده شبکیه است شناسایی کند.

کلمات کلیدی: قطعهبندی رگهای خونی شبکیه چشم،بهبود کیفیت تصویر، متد Retinex، آنتروپی محلی

.۱ مقدمه

شبکیه یکی از اعضاء مهم تشکیل دهنده سیستم بینایی در بدن انسان است. تصاویر شبکیه دارای الگوهای مختلف میباشند. تحلیل ویژگیهای درخت رگهای شبکیه یکی از کارهای مهم در تشخیص پزشکی به خصوص در بیماریهایی مانند دیابت و فشار خون است.

در حوزه پزشکی تحلیل کمیویژگیهای رگهای شبکیه پایه ابزارهای تحقیقاتی است که برای گسترش ارتباط بین درخت شبکیه، بیماریهای رگ های خونی، فشار خون و دیابت به کار میرود. این سیستمهای تشخیص میتوانند در برنامههای نظارتی با مقیاس بالا با پتانسیل زیاد برای ذخیره منابع استفاده شوند. تلاشهای زیادی برای بهبود و توسعه تکنیکها و الگوریتمهایی که به صورت صحیح و کارآ ویژگیهای رگهای شبکیه از تصاویر پزشکی شبکیه به خصوص ویژگیهای پایه را استخراج میکنند، صورت گرفته است. چشم اولین نقطهای است که مشکلات رگ ها در آن دیده میشود و تغییرات در درخت رگ های شبکیه میتواند نشاندهنده تغییرات زیستی متفاوت در بدن باشد.، هرچند دیابت هنوز قابل درمان نیست اما شناسایی زودهنگام آن توسط شناسایی رگهای خونی درمان موفق را تضمین میکند.

نرخ دیابت نه تنها در کشورهای توسعه یافته بلکه در کشورهای در حال توسعه نیز رو به افزایش است و متاسفانه کشورهای در حال توسعه اطلاعات کمیاز این بیماری دارند. یکی از هر ۱۱۱۱ نفر در بریتانیا مبتلا به آن هستند تخمین زده شده است که %۵۷ افراد دیابتی در کشورهای در حال توسعه هستند. .[۱] این موقعیت به دلیل درمانها و امکانات پزشکی ناکافی بدتر میشود و در این کشورها نابینایی به دلیل دیابت ۵۷ برابر افراد عادی است.

بیماری دیابت یک بیماری خاموش است زیرا تنها زمانی شناسایی میشود که تغییرات در شبکیه به مرحله ای رسیده که ممکن است درمان را پیچیده و یا حتی غیر ممکن سازد. تاکنون بهترین و موثر ترین درمانهای دیابت تنها در مراحل اولیه بیماری صورت گرفته است، بنابراین تشخیص زودهنگام بیماری از طریق نظارت مداوم بر بیمار بسیار مهم است. کم ترین هزینه چنین مراقبتهایی با تکنولوژی اخذ تصاویر دیجیتال از شبکیه چشم است زیرا این تکنولوژی قادر است از تکنیکهای عالی پردازش تصویر، که میتواند ناهنجاریهای شبکیه را شناسایی کند، استفاده کند.

به هرحال تشخیص زودهنگام این بیماری برای موفقیت در درمان لازم است. آزمایشات معمول زودهنگام تنها راه درمان بهینه این بیماری است. با نظارت مستمر بر بیماری، مطالعات مداوم بر روی چشم، مانند مقایسه تصاویر گرفته شده در زمانهای مختلف، که به سختی میتواند به صورت دستی انجام شود و راهکار بر پایه کامپیوتر میتواند در این زمینه بسیار مفید باشد، می توان بیماری را در سریعترین زمان ممکن معالجه کرد.

قطعهبندی رگها و استخراج آنها نقش مهمیدر پشتیبانی کامپیوتری تشخیص بیماری دیابت دارد. دیابت به صورت نرمال در شبکیه قابل مشاهده است و میتواند تشخیص خودکار از طریق قطعهبندی تصاویر را ممکن سازد.

تصاویر شبکیه عموما به دلیل پروسه تصویر برداری و شکل محدب شبکیه چشم روشنایی غیر یکنواخت دارند و تنوع زیادی از کنتراست و شدت روشناییهای محلی را شامل میشوند. این مشکل به صورت جدی بر پروسه تشخیص و نتایج آن به خصوص زمانی که از پروسه اتوماتیک کامپیوتری استفاده میشود، تاثیر میگذارد. از اینرو گام پیش پردازش جهت بهبود نتایج عمل قطعهبندی گامیضروری است.

۱٫۱ پیش پردازش

تصاویر شبکیه با دوربین اخذ میشوند که بر روی فیلم یا سنسورهای دیجیتالی ذخیره میشوند که نور روشنایی از سطح شبکیه بازتابیده میشود. عموما این تصاویر دارای روشنایی ناپیوسته و غیر یکنواخت هستند و تنوع کنتراست و روشنایی محلی وجود دارد. این مسئله میتواند به صورت جدی بر روی پروسه تشخیص و خروجیهای آن تاثیر بگذارد، به طوریکه حتی آسیبهای شبکیه در برخی نقاط برای بیننده انسانی نیز به سختی قابل رویت است. متدهای اتومات بر پایه سیستمهای کامپیوتری اغلب برای کمک به متخصصان چشم برای به دست آوردن ویژگیها از تصویر به عنوان مثال محاسبه اندازه رگ ها و یا شناسایی مشکلات چشم پیشنهاد میشوند. تصاویر با تنوع بالای روشنایی و کنتراست، هم داخل یک تصویر و هم بین تصاویر مختلف برای تحلیل بسیار مشکل هستند و نتایج به دست آمده ممکن است کیفیت پایینی داشته باشند. مطابق شکل ۱دو تصویر شبکیه مشاهده میشود که روشنایی از راست به چپ کاهش مییابد.

شکل ۱ تصویر اصلی شبکیه با کاهش شدت روشنایی از راست به چپ

الگوریتمهای متعددی برای بهبود کنتراست و تصحیح روشنایی پیشنهاد شده اند که هر کدام مزایای خود را در مورد اهداف مخصوص دارند.تکنیکهای قدیمیتر روشنایی تصویر را با استفاده از دور ریختن فرکانسهای پایین روشنایی با استفاده از یک فیلتر بالا گذر نرمالیزه میکردند. سایر تکنیکها با هدف خاص تصاویر شبکیه ارائه شدند. نرمالیزه کردن پشت زمینه با استفاده از یک فیلتر میانه بزرگ برای استخراج تغییرات آهسته روشنایی و سپس تفاضل آن از تصویر اصلی صورت میگیرد.

در [۵] برای تخمین و تصحیح شدت روشنایی در تصاویر شبکیه متدی ارائه شده است. این متد از فضای رنگ HSV برای ترکیب بهتر اطلاعات روشنایی و کروماتیک استفاده میشود. سپس از یک مدل روشنایی بر روی زمینه شبکیه استفاده میکند که بسیاری از معایب روشهای قبلی به خصوص زمانی که آسیب بزرگی در شبکیه وجود دارد را از بین میبرد. در شکل۲ بهبود یافته تصویر با این روش و روش میانگینگیری آمده است که این متد نتیجه بهتری را ارائه کرده است.