چکیده

تشخیص بیماری‌های چشمی توسط رایانه (CAD) یکی از حوزه‌های تحقیقاتی فعال در حال حاضر می‌باشد. از آنجا که تصاویر OCT (Optical Coherence Tomography) در تشخیص بیماری‌های چشمی به طور روز‌افزون مورد استفاده قرار می‌گیرد، نیاز به سیستم‌های CAD برای کمک رسانی به پزشکان در تشخیص زودهنگام و نظارت بر روند درمان بیماری‌های شبکیه احساس می‌شود.در این راستا مدل‌سازی تصاویر OCT چشم قدم مهمی در تحلیل خودکار تصاویر چشم، از جمله فشرده‌سازی، رفع نویز، تقطیع و دسته‌بندی ایفا می‌نماید. در این تحقیق هدف مدل‌سازی اتمی تصاویر OCT شبکیه با استفاده از یادگیری واژ‌نامه و استفاده از مدل به‌دست آمده در دسته‌بندی تصاویر می‌باشد. در این روش از سیگنال‌های تصاویر OCT برای یادگیری واژه‌نامه استفاده شد. الگوریتم پیشنهادی شامل چندین لایه دیکشنری است که از یادگیری عمیق دیکشنری برای استخراج ویژگیهای تصاویر استفاده می کنداز آنجا که مدلسازی به صورت غیر برخط انجام می‌گیرد زمان یادگیری از اهمیت چندانی برخوردار نیست. اما پس از آموزش و بدست آوردن دیکشنری، سرعت تشخیص با استفاده از مدل به‌دست آمده امکان استفاده از مدل در کاربردهای عملی را فراهم می کند. در این تحقیق از زبان پایتون و کتابخانه‌هایی همچون sklearn  و همچنین بسته‌ها‌ی نرم‌افزاری مانند SPAMS و Sporco برای پیاده‌سازی  الگوریتم‌های پیشنهادی استفاده گردید و جهت ارزیابی نتایج دسته‌بندی از معیارهای specificity و sensitivity  و F-score استفاده شد که نتایج قابل قبولی در طبقه بندی داده های مورد استفاده شامل تصاویر OCT از بیماران مختلف مجموعه داده های OCTIDحاصل گردید.