چکیده

مقدمه: توموگرافی انسجام نوری (OCT)[1] به دلیل تطبیق پذیری و رویکرد غیر تهاجمی آن به رایج‌ترین روش تصویربرداری در چشم پزشکی تبدیل شده است. تصاویر OCT می‌توانند امکان ارزیابی دقیق بیماری‌های شبکیه را فراهم کنند. تشکیل کیست بین لایه‌های شبکیه یا داخل آن از مهم‌ترین تظاهرات بیماریها است. کیست‌ها می‌توانند اندازه‌ها و شکل‌های متفاوتی داشته باشند که فرآیند تشخیص و تقسیم بندی را دشوار می‌کند. بنابراین، شناسایی کیست‌ها در چنین تصاویری برای کنترل روند پیشرونده بیماری‌ها از اهمیت بالایی برخوردار است. از آنجا که تشخیص دستی این کیستها در تصاویر، فرآیندی پر زحمت و غیر دقیق است، استفاده از روشهای پردازش تصویر به منظور گسترش سیستمهای تشخیص کمک رایانه برای کمک به تشخیص خودکار این ضایعات بسیار رواج یافته‌اند.

روش‌پژوهش:   استفاده کردن از خواص خودشباهتی موجود در سیگنالهای OCT و مدلسازی ریاضی تصاویر بر اساس این خواص، می‌تواند به استخراج ویژگی‌های قابل توجه از آن کمک کرده ودقت و صحت پردازشها و تشخیص ضایعات را به طور قابل ملاخظه ای افزایش دهد. با توجه به این امر، در این پژوهش ما یک الگوریتم غیرنظارتی جدید برای تشخیص نواحی تجمع مایع در تصاویر OCT بر اساس ارتباط معادلات دیفرانسیل تصادفی (SDE)[2] و مدلهای چند فراکتالی ارائه می‌دهیم. در این روش، تخمین میزان خودشباهتی محلی برای A-scan های موجود در تصاویر OCT از تعمیم فرآیندهای تصادفی پایدار کسری لوی[3]، به دست خواهند آمد. به منظور تخمین میزان خودشباهتی موجود در تصاویر، از توسعه یک الگوریتم مبتنی بر گشتاور کسری استفاده می‌شود که ما آن را MLFA  نامگذاری می‌کنیم. با توجه به تغییرات خودشباهتی محلی در نواحی سالم و دارای کیست تصاویر OCT، روش جدیدی بر اساس این تغییرات پیشنهاد می شود که یک روش ساده و بدون نظارت بوده و میتواند به خوبی در افتراق این مناطق کمک نماید. این روش نیاز به دادگان آموزشی زیاد نداشته و از پیچیدگی محاسباتی کمی برخوردار خواهد بود.

 یافته‎ها: عملکرد روش پیشنهادی بر اساس مدل پیشنهادی برای تعیین دقیق محل ضایعات کیستی بر روی داده‌های به‌دست‌آمده از یک مجموعه داده حاوی تصاویری از بیماران ورم دیابتی ماکولا ارزیابی شده و نتایج بصری و محاسبه معیارهای ارزیابی نشان می دهد روش پیشنهادی نسبت به سایر الگوریتم‌های مورد مقایسه برتری دارد..

نتیجه‎گیری: نتایج، کارایی مدل چند فراکتالی پیشنهادی را برای توصیف دقیق نواحی کیست دار تصاویر OCT و استفاده از آن در تعیین محل ضایعات  با مزیت عدم نیاز به برچسب گذاری ضایعات، داده‌های کمتر و نیاز به حافظه کمتر نشان داد. این روش را می توان در سیستم های خودکار تشخیص محل ضایعات در تصاویر OCT بیماریهای ماکولا به کار برد.

[1] Optical Coherence Tomography

[2] Stochastic Differential Equation

[3] Levy