| dc.contributor.advisor | پیمان, علیرضا | |
| dc.contributor.advisor | اخلاقی, محمدرضا | |
| dc.contributor.author | علیزاده اقتدار, رضا | |
| dc.date.accessioned | 2020-02-12T05:16:41Z | |
| dc.date.available | 2020-02-12T05:16:41Z | |
| dc.date.issued | 1398 | en_US |
| dc.identifier.uri | http://dspace.tbzmed.ac.ir:8080/xmlui/handle/123456789/61449 | |
| dc.description.abstract | بخش‌بندی خودکار مشیمیه و اندازه‌گیری ضخامت آن، می‌تواند چشم‌پزشکان را در تشخیص بسیاری از بیماری‌های چشم از قبیل رتینوپاتی‌دیابتی یاری نماید. اندازه‌گیری دستی ضخامت مشیمیه از روی تصاویر OCT چشم، کاری زمان‌بر و خسته‌کننده بوده و همراه با خطاهای انسانی می‌باشد. جهت رفع این مشکلات در این پایان‌نامه روش جدیدی برای ارزیابی خودکار ضخامت مشیمیه معرفی شده است.
روش‌ها: در این مطالعه، از تبدیل کرولت، یادگیری کتابخانه‌ای مبتنی بر KSVD و الگوریتم لوسی ریچاردسون، جهت پیش‌پردازش، حذف نویز متخلخل و بهبود تصاویر OCT استفاده شده است. سپس تئوری گراف برای آشکارسازی مرز داخلی مشیمیه مورداستفاده قرارگرفته است. به‌منظور یافتن مرز خارجی مشیمیه، هیستوگرام تصویر به‌صورت وفق پذیر برای هر تصویر و وابسته به میانگین روشنایی هر تصویر در یک محدوده خاص تعریف گردید و سپس پیکسل‌هایی که بیشینه مقدار را در هر ستون دارند انتخاب و نهایتاً یک منحنی درجه سوم برای آن‌ها رسم گردید. ناحیه مابین این دو مرز داخلی و خارجی به‌عنوان ضخامت مشیمیه در نظر گرفته می‌شود. روش پیش‌پردازش ما، بر روی 17 تصویر OCT که به‌صورت عمومی در پایگاه داده دانشگاه دوک در دسترس هستند و روش بخش‌بندی ارائه‌شده ما، بر روی 60 تصویر EDI-OCT چشم سالم و مبتلایان به رتینوپاتی‌دیابتی مراجعه‌کننده به کلینیک تخصصی چشم – اصفهان مورد ارزیابی قرار گرفت. این تحقیق تحت پروتکل اخلاقی هلسینکی 1975 و کد اخلاق IR.TBZMED.REC.1397.008 انجام شد.
یافته‌ها: در مرحله پیش‌پردازش، روش اعمال‌شده بر روی مجموعه داده‌ها با پنج روش گذشته با استفاده از معیارهای EP، TP، MSR، CNR و ENL مورد مقایسه قرار گرفت و پیشرفت چشم‌گیری در این مقادیر ملاحظه گردید. در مرحله بخش‌بندی خودکار مشیمیه، با مقایسه بخش‌بندی‌های خودکار و دستی بر روی 60 تصویر OCT سالم و بیمار پیش‌پردازش شده، میانگین ضریب دایس 14/92% به دست آمد. بار دیگر بخش‌بندی‌های خودکار بر روی تصاویر بدون پیش‌پردازش با بخش‌بندی‌های دستی پزشک مورد مقایسه قرار گرفت که میانگین ضریب دایس 99/71% به دست آمد که این امر نشانگر تأثیر مثبت پیش‌پردازش تصاویر بر روی بخش‌بندی خودکار مشیمیه می‌باشد. سپس، بررسی ضخامت مشیمیه داده‌ها که متشکل از دو گروه 23 چشم سالم و 37 چشم مبتلا به رتینوپاتی‌دیابتی بودند، نشان داد که ضخامت مشیمیه در چشم مبتلا به رتینوپاتی‌دیابتی نازک‌تر از چشم سالم می‌باشد که این نتیجه در تطابق با یافته‌های بالینی قبلی است. نهایتاً، روش ارائه‌شده توسط مظفری و همکاران 2017، بر روی مجموعه داده‌ها اعمال شد که میانگین ضریب دایس این روش 75/55% محاسبه گردید.
بحث: در هر دو چشم سالم و مبتلا به رتینوپاتی‌دیابتی، هم‌پوشانی خوبی میان ناحیه بخش‌بندی‌های خودکار و دستی ملاحظه شد. همچنین ضخامت مشیمیه در چشم مبتلا به رتینوپاتی‌دیابتی نازک‌تر بود که این نتیجه با مطالعات بالینی قبلی مطابقت دارد. نهایتاً مقایسه نتایج بخش‌بندی خودکار حاصل از روش ارائه‌شده در این پایان‌نامه با روش ارائه‌شده توسط مظفری و همکاران 2017، با بهبود 39/36%، برتری چشم گیر روش ارائه‌شده در این پایان‌نامه را نشان داد. همچنین بخش‌بندی خودکار ضخامت مشیمیه، می‌تواند برای مطالعات کمی مشیمیه بر روی تعداد تصاویر بیشتر، بسیار مفید و کاربردی باشد. | en_US |
| dc.language.iso | fa | en_US |
| dc.publisher | دانشگاه علوم پزشکی تبریز، دانشکده علوم نوین پزشکی | en_US |
| dc.subject | اپتیک زیست پزشکی | en_US |
| dc.subject | مقطع‌نگاری همدوسی اپتیکی | en_US |
| dc.subject | پردازش تصویر | en_US |
| dc.subject | بخش‌بندی تصویر | en_US |
| dc.subject | ضخامت مشیمیه | en_US |
| dc.title | تعیین خودکار ضخامت مشیمیه با استفاده از تئوری گراف و تبدیل کرولت از روی تصاویر OCT افراد سالم و افراد مبتلا به رتینوپاتی دیابتی. | en_US |
| dc.type | Thesis | en_US |
| dc.contributor.supervisor | راستا, سیدحسین | |
| dc.contributor.supervisor | اسمعیلی, مهداد | |
| dc.contributor.department | مهندسی پزشکی | en_US |
| dc.description.discipline | مهندسی پزشکی | en_US |
| dc.description.degree | کارشناسی ارشد | en_US |
