22414

حذف رگ هاي خوني شبكيه ي چشم در تصاوير فوندوس با استفاده از نمايش تنك

كارشناسي ارشد

مهندسي پزشكي - بيوالكتريك

1396-1399

1399/4/23

دكتر حميد بهنام - دكتر حجت سبزپوشان

برق

يكي از تصاوير مورد استفاده در سامانه‌هاي خودكار تشخيص بيماري‌هاي شبكيه‌ي چشم، تصوير فوندوس است كه درصد زيادي از آن، توسط رگ‌هاي خوني، پوشانده شده است. اين امر در بخش‌بندي خودكار و كلاس‌بندي ضايعه‌هاي مختلف بر اساس ساختار زمينه اختلال ايجاد مي‌كند. معمولاً لازم است در مرحله‌ي پيش‌پردازش تصاوير، اين رگ‌ها حذف شوند تا اطلاعات موردنياز از بخش‌هاي مهم تصوير، مانند ماكولا، ديسك نوري بتواند به‌درستي در دسترس قرار گيرد. بدين منظور مي‌توان بعد از تعيين موقعيت رگ‌هاي خوني، آن‌ها را به‌عنوان نواحي مجهولي به نام ماسك تصوير، در نظر گرفت كه مقادير آن بايد بازيابي شود. بازيابي در حوزه‌ي پردازش تصوير، با دسته‌اي از روش‌ها تحت عنوان روش «ترميم» انجام مي‌شود. يكي از اين روش‌ها، ترميم مبتني بر تُنُك ، است. معمولا در اين روش‌ها يك ديكشنري بر مبناي تكه‌هاي سالم تصوير و با استفاده از روش‌هاي يادگيري ديكشنري، آموزش داده مي‌شود و سپس با فرض يكسان بودن نمايش تُنُك در نواحي معلوم و مجهول تصوير و حل مسئله‌ي كدگذاري تُنُك در تكه‌ي معيوب، طي الگوريتم خاصي، نواحي موردنظر ترميم مي‌شوند.يكي از مراحل اين الگوريتم، تصميم‌گيري درباره‌ي ابعاد تكه‌ها خواهد بود؛ اندازه‌ي تكه‌ها بايد پس از بررسي ماسك تصوير به نحوي تعيين شود كه تكه‌اي كاملا مجهول و بدون هيچ پيكسل معلوم، نداشته باشيم. در اين پروژه ايده‌هايي جهت كاهش نياز به بررسي دقيق ماسك تصوير و تصميم‌گيري درباره‌ي ابعاد تكه‌ها مطرح مي‌شود. يكي از ايده‌ها، انتخاب تكه‌ي مجهول، ترميم و جايگذاري در تصوير معيوب و سپس انتخاب تكه‌ي مجهول بعدي از تصوير ترميم‌شده تا آن مرحله و پرداختن به ترميم آن است. در ايده‌ي ديگر، بين مقادير بازيابي شده در تكه‌هاي معيوب كه با همپوشاني از تصوير، انتخاب و ترميم مي‌شوند، ميانگين وزن‌دار گرفته مي‌شود. وزن هر پيكسل بازيابي شده، معادل نسبت تعداد پيكسل‌هاي سالم به ابعاد تكه‌اي كه در آن قرار دارد، است. ايده‌هاي پيشنهادي، برروي تعدادي از تصاوير فوندوس پايگاه داده‌ي DRIVE پياده‌سازي و با كمك معيارهاي كمّي و بصري، به ارزيابي نتايج ترميم و مقايسه با روش‌هاي مختلف پرداخته‌ شد. به ازاي تكه‌سازي مربعي تصوير با استفاده از ايده‌ي ميانگين وزن‌دار مطرح شده با ميانگين معيارخطاي بازيابي 0.0192 موفق به حذف رگ‌هاي خوني شديم.

1399/06/23

Retinal blood vessels removal in fundus images by sparse-based inpainting algorithm

7/14/2021 12:00:00 AM

The progress in the field of retinal imaging over recent years has significantly improved. This progress has given rise to presenting automated diagnosis systems for eye diseases. Among all retinal images, retinal fundus image is extensively used to diagnose eye diseases. A huge proportion of this image is covered by retinal blood vessels. These vessels disrupt the process of segmenting various lesions and also disease classifications based on the underlying structure. Therefore, it is necessary to remove these vessels in the preprocessing stage of the proposed diagnostic system so that the required information from important regions of the image like macula, optical disk, and etc. can be available for further processing. After specifying the location of blood vessels, they can be considered as unknown regions called as image mask that their values should be restored. Restoration in the image processing terminology is carried out many methods referred to as inpainting. One of these methods is sparse-based inpainting. Typically, in Sparse-based image inpainting, a dictionary according to undamaged image patches is trained using dictionary learning methods. Having this in mind that sparse representation in the known and unknown regions is the same, the sparse coding problem is solved, and the specified regions will be inpainted by the usage of the proposed algorithm. Making decisions about the size of patches is a crucial step in this algorithm. Size of the patches should be determined after investigating the mage mask in such a way that no unknown patch will remain. In the current study, some novel ideas about reducing the need to meticulously inspecting the image mask and making a decision about the size of patches will be discussed. One of these ideas is to select the missing patch, inpainting, and embedding in the damaged image, and then selecting the next missing patch from the inpainted image and completing the inpainting process. Another idea here is the weighted mean of the selected and inpainted patches that have been yielded by overlapping from the retrieved values in the damaged patches and the original image. Notably, the weight of each retrieved pixel is equal to the ratio of the number of undamaged pixels to the size of the patch they are placed in. The performance of proposed ideas is tested for some of the fundus images from the DRIVE public database, employing different factors. Also, a comparison with other methods using visually inspecting and quantitive criteria is carried out. Our findings suggest that the use of proposed ideas outperform diffusion-based inpainting and other sparse-based algorithm that didn’t use this idea.