fa تشخیص بیماری رتینوپاتی دیابت با استفاده از پردازش تصاویر فوندوس شبکیه و تکنیک‌های مورفولوژیک هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article <div style="text-align: justify;"><strong><span style="color:black;">مقدمه:</span></strong> رتینوپاتی دیابتی، تأثیر مخرب دیابت بر رگ‌های خونی شبکیه است که تشخیص دیرهنگام آن می‌تواند باعث نابینایی شود. میکروآنوریسم‌ها از علائم اولیه این بیماری هستند که تشخیص زودهنگام آن‌ها باعث درمان به‌موقع و مانع از پیشرفت بیماری می‌گردد. از آن‌جا که این بیماری بدون علامت است و تنها توسط پزشک قابل تشخیص است، بدین‌جهت نیاز است بیماران دیابتی به طور منظم مورد آزمایش قرار گیرند، از طرفی با توجه به این‌که رشد تعداد چشم پزشکان کمتر از رشد جمعیت مبتلا به دیابت است، تشخیص دستی ضایعه‌ها زمان‌بر بوده و هزینه زیادی را به ‌دنبال دارد؛ لذا طراحی سیستم‌های تشخیص خودکار ضروری است.<br> <strong><span style="color:black;">روش:</span></strong><span style="color:black;"> در این مطالعه توصیفی-تحلیلی </span>ابتدا تصاویر فوندوس شبکیه تحت پیش‌پردازش قرار گرفت، سپس نواحی کاندیدای میکروآنوریسم‌ها با استفاده از معیار <span dir="LTR">metric</span> و عملگرهای مورفولوژیک <span dir="LTR">Bottom-hat</span> و <span dir="LTR">Hit-or-Miss</span> تعیین و در مرحله بعد به استخراج ویژگی با استفاده از تجزیه و تحلیل مؤلفه اصلی برای تشخیص میکروآنوریسم‌های‌ واقعی پرداخته شد. برای ارزیابی الگوریتم پیشنهادی از تصاویر پایگاه داده <span dir="LTR">DiaRetDB1</span> استفاده شد.<br> <strong><span style="color:black;">نتایج</span></strong><strong>:</strong> هدف این پژوهش توسعه یک روش خودکار برای تشخیص میکروآنوریسم‌ها است که بتواند به متخصصین چشم در فرآیند غربالگری رتینوپاتی دیابت کمک کند، تا علائم این بیماری را سریع‌تر، آسان‌تر و با هزینه کمتر تشخیص دهند. در ارزیابی روش پیشنهادی، نرخ حساسیت %87/6، نرخ تشخیص %98/7 و دقت %85/7 به‌ دست آمد.</div> <div style="text-align: justify;"><strong>نتیجه‌گیری:</strong> با توجه به نتایج به دست آمده براساس پارامترهای ارزیابی، روش پیشنهادی از دقیق‌ترین الگوریتم‌های این حوزه است.</div> <div style="text-align: justify;"><span style="font-family:tahoma;"><strong>Introduction:</strong> Diabetic retinopathy is the damaging effect of diabetes on retinal blood vessels that can cause blindness when diagnosed late. Microaneurysms are early signs of the disease that their early diagnosis promotes timely treatment and prevents disease progression. Since this disease is asymptomatic and can only be detected by ophthalmologists, diabetic patients should be tested regularly. On the other hand, given the fact that the increase rate of the number of ophthalmologists is less than the growth of the diabetic population, manual diagnosis of the lesion is time consuming and costly, and thus the design of automatic detection systems is essential.<br> <strong>Method:</strong> In this descriptive analytic study, the fundus images of the retina were subjected to preprocessing. Then, the candidate regions of microanurysms were determined using the metric and morphological operators Bottom-hat and Hit-or-Miss. In the next step, using principal component analysis, the specificity of main feature of real microanurysms diagnosis was extracted. The DiaRetDB1 database images were used to evaluate the proposed algorithm.<br> <strong>Results:</strong> The purpose of this research was to develop an automated method for the detection of microanurysms that can help ophthalmologists in the process of diabetic retinopathy screening and diagnosing the symptoms faster, easier and at lower cost. In evaluation, the proposed method achieved a sensitivity of 87.6%, specificity of 98.7% and the precision of 85.7%.<br> <strong>Conclusion</strong>: According to the results obtained based on evaluation parameters, the proposed method is one of the most accurate algorithms in this field.</span></div> رتینوپاتی دیابت, تصاویر فوندوس شبکیه, میکروآنوریسم, عملگرهای مورفولوژیک, آنالیز مؤلفه اصلی Diabetic retinopathy, Fundus images, Microaneurysms, Morphological techniques, Principal Component Analysis 218 230 http://jhbmi.ir/browse.php?a_code=A-10-498-1&slc_lang=fa&sid=1 Maedeh Taji مائده تاجی m.taji2020@gmail.com 10031947532846006038 10031947532846006038 No M.S.c Student in Computer Engineering, Computer Engineering and IT Dept., Najafabad Payame Noor University, Najafabad, Iran دانشجوی کارشناسی ارشد مهندسی کامپیوتر-گرایش هوش مصنوعی و رباتیک، گروه علمی مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه پیام‌نور نجف آباد، نجف‌آباد، ایران Saeed Ayat سعید آیت Dr.ayat@pnu.ac.ir 10031947532846006039 10031947532846006039 Yes Ph.D in Computer Engineering, Associate Professor, Computer Engineering and IT Dept., Payame Noor University, Najafabad, Iran دکتری مهندسی کامپیوتر، دانشیار، گروه علمی مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور نجف آباد، نجف آباد، ایران