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. از جمله فضاهای حاوی مایع شبکیه که در تشخیص و درمان چندین بیماری چشمی مانند تخریب ماکولا وابسته به سن (AMD)[2]، ادم ماکولا دیابتی[3] (DME) را به خوبی می‌توان با استفاده از تصاویر OCT دنبال کرد. از آنجا که تفسیر دستی تصاویر فرآیندی پر زحمت و غیر دقیق است، استفاده از روشهای پردازش تصویر به منظور گسترش سیستمهای تشخیص کمک رایانه (CAD)[4] برای کمک به تشخیص خودکار این بیماریها بسیار رواج یافته‌اند. در همین راستا مدل‌سازی ریاضی دادگان پزشکی می‌تواند به استخراج ویژگی‌های قابل توجه از آن کمک کرده و دقت و صحت پردازشها و طبقه‌بندی را به طور قابل ملاخظه ای افزایش دهد. 

روش‌پژوهش:   در این پژوهش، ما یک مدل سازی جدید برای نواحی تجمع مایع در تصاویر OCT بر اساس ارتباط معادلات دیفرانسیل تصادفی (SDE)[5] و مدلهای چند فراکتالی ارائه می‌دهیم. در این مدل آماری، خواص خودشباهتی محلی برای A-scan های موجود در تصاویر OCT در نظر گرفته خواهد شد که از تعمیم فرآیندهای تصادفی پایدار کسری لوی[6]، به دست خواند آمد.. به منظور تخمین میزان خاصیت چند فراکتالی موجود در تصاویر، از ویژگی‌های مقیاس‌بندی فرآیند پیاده‌روی تصادفی با گام‌های توزیع‌شده Levy (پروازهای Levy) و معادلات دیفرانسیل تصادفی (SDE) برای پیشنهاد و توسعه یک الگوریتم مبتنی بر گشتاور کسری استفاده می‌شود که ما آن را MLFA  نامگذاری می‌کنیم. نتایج مدل‌سازی تصاویر نرمال و DME و تفاوت بین شکل، دامنه و پهنای باند چندفراکتالی در طیف چند فراکتالی متوسط، در تصاویر سالم و محتوی کیست می تواند در افتراق این مناطق کمک نموده و به عنوان ویژگیهای متمایز کننده دادگان مورد استفاده قرار گرفته و در طبقه بندی آنها کاربرد داشته باشد.

 یافته : نیکویی برازش مدل پیشنهادی هم به صورت بصری و هم با معیارهای آماری مورد ارزیابی قرار گرفت و برتری مدل آماری پیشنهادی نسبت به روشهای گذشته نشان داده شد. عملکرد روش طبقه بندی بر اساس مدل پیشنهادی هم بر روی داده‌های به‌دست‌آمده از مجموعه داده‌های افراد مبتلا به بیماریهای ماکولا ارزیابی شده و صحت 97.84٪ به دست آمده است که 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 طبقه‌بندی‌کننده‌های ساختار ساده با مزیت داده‌های کمتر و نیاز به حافظه کمتر نشان داد. این روش را می توان در سیستم های خودکار تشخیص بیماریهای ماکولا به کار برد.

[1] Optical Coherence Tomography

[2] Age-related Macular degenertion

[3] Diabetic Macular Edema

[4] Computer Aided Diagnosis

[5] Stochastic Differential Equation

[6] Levy