دانلود مقاله روشي جديد براي تشخيص ميكروآنوريسم از تصاوير شبكيه مردمك هاي بدون اتساع داراي رتينوپاتي ديابتي با استفاده از پردازش تصوير (ترجمه فارسی به انگلیسی)
مقاله کنفرانس مهندسی پزشکی جهت ISI
این فایل در قالب Word قابل ویرایش، آماده پرینت و ارائه به عنوان پروژه پایانی می باشد
قالب: Word +Pdf
تعداد صفحات ترجمه انگلیسی: 15
تعداد صفحات مقاله فارسی: 6 صفحه
توضیحات:
عنوان مقاله: روشي جديد براي تشخيص ميكروآنوريسم از تصاوير شبكيه مردمك هاي بدون اتساع داراي رتينوپاتي ديابتي با استفاده از پردازش تصوير
چكيده - تشخيص ميكروآنوريسم ها (MA) يكي از مراحل اصلي در تشخيص رتينوپاتي ديابتي (DR) به كمك كامپيوتر مي باشد. MA از نشانه هاي اوليه DR و يكي از علل اصلي از دست دادن بينايي در بيماران ديابتي است. در حالي كه، تشخيص سريع MA به كاهش نابينـايي كمـك مـي كنـد.
تشخيص اتوماتيك MA با توجه به اندازه ريز، كنتراست كم و همچنين شباهت با رگ هاي خوني هنوز در دست بررسـي اسـت. در ايـن مقالـه از عمليات مورفولوژي رياضي جهت استخراج نواحي نامزد MA و از شبكه عصبي جهت طبقه بندي به منظور تشخيص MA در مردمـك هـاي بـدون اتساع كمك گرفته ميشود. به ازاي هر پيكسل از نواحي نامزد، 18 ويژگي جهت استفاده در شبكه عصبي به عنوان طبقه بند استخراج مي شـود.
روش پيشنهادي بر روي 12 تصوير مربوط به مردمكهاي بدون اتساع اعمال شده است و درصد پيكسلهايي كه بدرستي تشخيص داده شده اند، 9.98% مي باشد. نتايج شبيه سازي در بخش سوم آورده شده است.
A new method for detecting retinal microaneurysms images without pupil dilation with diabetic retinopathy using image processing
Abstract
Detection of microaneurysms (MA) is one of the principal stages of diabetic retinopathy (DR) using the computer. MA is one of the preliminary signs of (DR) and one of the first causes of the vision loss in diabetics. While, prompt MA diagnosis helps reduce blindness. MA automatic detection according to the small size, low contrast and similarity with blood vessels is still under investigation. In this paper, a mathematical morphology operation is used for extracting MA candidate areas and from neural network for classifying in order to detect MA in the pupils without dilation. For each pixel of the candidate areas, 18 features are extracted for use in neural network as classifier. Proposed approach on 12 images of the pupil without dilation has been applied and the percentage of pixels that have been correctly diagnosed is 9.98%. Simulation results are presented in Section III.
Keywords: diabetic retinopathy, microaneurysms, neural networks, feature extraction, Mathematical Morphology.