Diverse lesion detection from retinal images by subspace learning over normal samples

تشخیص زخم از تصاویر شبکیه موضوع مهم در تجزیه و تحلیل تصویر شبکیه است. بسیاری از تکنیک های تشخیص کمک های کامپیوتری برای تشخیص ضایعات شبکیه توسعه یافته اند. با این حال، این تکنیک ها عمدتا برای تشخیص انواع خاصی از ضایعات از تصاویر شبکیه استفاده می شود. آنها نمی توانند برای تشخیص انواع مختلف ضایعات از تصاویر شبکیه استفاده شوند، که یک کار چالش برانگیز است زیرا تعداد ضایعات و انواع آن در تصاویر شبکیه معمولا پیش از آن ناشناخته است و ضایعات مختلف ممکن است دارای ویژگی های متنوعی در شکل، اندازه، رنگ، بافت و موقعیت . با الهام از روش تشخیصی پزشکان، این مقاله یک چارچوب محاسباتی جدید برای تشخیص انواع مختلف ضایعات از تصاویر شبکیه ارائه می دهد. در این چارچوب، بسیاری از تصاویر فصلی سالم جمع آوری شده به عنوان تجربه تشخیص پزشکان عمل می کنند، و ویژگی های بصری محلی از ضایعات استفاده می شود برای تشخیص حقیقت واقعی از مثبت کاذب. یک زیرمجموعه خاص از مجموعه عادی جمع آوری شده یاد می شود و به عنوان یک فیلتر ساختاری خاصی عمل می کند که با استفاده از آن ضایعات مختلف در یک تصویر شبکیه می تواند فیلتر شود، در حالی که دیگر مناطق نرمال تغییرات کوچکی دارند. با محاسبه تصویر اختلاف بین یک تصویر هدف و تصویر فیلتر شده، انواع مختلفی از نامزدهای ضایعه را می توان از تصویر جدا کرد. علاوه بر این، بر اساس خصوصیات بصری محلی ضایعات، ضایعات واقعی از نامزدهای ضایعه شناسایی می شوند. آزمایش های گسترده نشان داده اند که روش پیشنهادی می تواند به طور موثر تشخیص ضایعات متنوع از تصاویر شبکیه در مقایسه با روش های مرتبط.