Դիաբետիկ ռետինոպաթիայի ավտոմատ ախտորոշում MATLAB- ի միջոցով. 33 քայլ

2024 Հեղինակ: John Day | [email protected]. Վերջին փոփոխված: 2024-01-30 09:51

(Տես վերևի ծածկագիրը)

Դիաբետիկ ռետինոպաթիան շաքարային դիաբետի հետ կապված աչքի հիվանդություն է, որն առաջանում է արյան մեջ շաքարի բարձր մակարդակի պատճառով: Արյան մեջ շաքարի բարձր մակարդակը առաջացնում է ցանցաթաղանթների անոթների ուռչում, ինչը հանգեցնում է խոշորացված անոթների և նույնիսկ անոթների արտահոսքի, ինչը հանգեցնում է ցանցաթաղանթի պատկերների մուգ բծերի: Այս ծածկագրով մենք նպատակ ունենք արյան անոթների արտահոսքի բծերի տեսքը օգտագործել որպես ֆոնային դիաբետիկ ռետինոպաթիայի ցուցանիշ, չնայած իրական աշխարհում կպահանջվեն ախտորոշման հետագա տեխնիկա: Այս ծածկագրի նպատակն է ավտոմատացնել պատկերի մշակումը և ցանցաթաղանթի պատկերների ախտորոշումը `պարզելու շագանակագեղձի ռետինոպաթիայի նշանները, որոնք ցուցադրվում են ցանցաթաղանթի պատկերների մուգ բծերի միջոցով:

10 նորմալ ցանցաթաղանթ և 10 ախտորոշված ցանցաթաղանթ պատկերներ մշակվեցին մի ծածկագրի միջոցով, որը նախ կարդում և զտում է պատկերները, այնուհետև քանակականացնում մուգ բծերը `որոշելու համար, թե արդյոք առկա են շաքարային ռետինոպաթիայի ախտանիշներ` ելնելով տվյալ շեմից: Արդյունքներն այնուհետև տպվում են հրամանի պատուհանի վրա ՝ դիտողի մեկնաբանման համար:

Քայլ 1: Նախադրյալներ

1. Համոզվեք, որ MATLAB ծրագիրը ներբեռնված է ձեր համակարգչում:

2. Ներբեռնեք txt ֆայլը, որը գտնված է հղման մեջ: (Սեղմեք «ctrl+s» ՝ MATLAB ծածկագրի նույն գրացուցակում պահելու համար)

Քայլ 2: Նախադրյալներ (չեն)

4. Բացեք MATLAB- ը և հրամանի պատուհանում մուտքագրեք «uiimport»:

5. Ընտրեք officialdiagnoses.txt ֆայլը և ներմուծեք այն MATLAB որպես բջջային մատրիցա:

6. Համոզվեք, որ «պաշտոնական ախտորոշումները» տեսնում եք որպես փոփոխական աշխատանքային տարածքում:

Քայլ 3: Նախադրյալներ (չեն)

7. Ներբեռնեք ModWald.m գործառույթը, որը կարող է ստանալ վերը նշված կոդից կամ ներբեռնել այն Կտավից:

(Ծածկագիրը տրամադրվել է պրոֆեսոր Քինգի և պրոֆեսոր Չոյի կողմից)

Քայլ 4: Նախադրյալներ (չեն)

8. Ներբեռնեք 400 հում պատկեր ՝ «STARE» նախագծի տվյալների բաժնից:

Քայլ 5. Մաքրել Matlab- ը ՝ պատրաստվելու գործարկման կոդին

Ավելացնել կոդին ՝

1. փակել բոլորը (փակում է նախկինում բացված բոլոր պատկերները)

2. clearvars - բացառությամբ պաշտոնական ախտորոշումների (Մաքրում է բոլոր փոփոխականները, բացառությամբ նախկինում ներմուծված txt ֆայլերի պաշտոնական ախտորոշումների)

3. cclc (մաքրում է հրամանի պատուհանը)

Քայլ 6. Ընտրեք 10 նորմալ աչքի պատկեր և 10 պատկեր դիաբետիկ ռետինոպաթիայի ախտանիշներով

1. Վերցրեք ախտորոշման տեքստային ֆայլը և հանեք պատկերի անունները: Այս անունները պարունակվում են տեքստային ֆայլի առաջին սյունակում, այնպես որ դրանք հանելու համար մուտքագրեք «պաշտոնական ախտորոշումներ (:, 1)»: Պատկերների անունների մատրիցան վերագրված էր փոփոխականին ՝ «all_image_numbers»

2. Փոխակերպել all_image_numbers փոփոխականը բջջային զանգվածից մատրիցային զանգված օգտագործելով cell2mat գործառույթը

Քայլ 7: Ընտրեք 10 նորմալ աչքի պատկեր և 10 պատկեր դիաբետիկ ռետինոպաթիայի ախտանիշներով (միացեք)

3. Ընտրեք 10 սովորական աչքի պատկեր ՝ կոդը գործարկելու համար: Այս դեպքում ընտրված պատկերներն էին 278, 199, 241, 235, 35, 77, 82, 164, 239, 170:

Տեղադրեք այս թվերը մատրիցայի մեջ և նշանակեք դրանք մի փոփոխականի, որը կկոչվի պատկերները բեռնելիս:

4. Կրկնեք 3 -րդ քայլը ցանցաթաղանթային պատկերների համար, որոնց մոտ ախտորոշվել է դիաբետիկ ռետինոպաթիա: Այս դեպքում ընտրված պատկերներն էին 139, 137, 136, 135, 133, 140, 141, 116, 157, 188:

Քայլ 8. Ստեղծեք 2 փոփոխական (նորմալ և ախտորոշված) և յուրաքանչյուրը հավասար 0 -ի

Ստեղծեք այս փոփոխականները for loop- ից առաջ ՝ օղակի թվերը նախաստորագրելու համար:

Քայլ 9. Ստեղծեք օղակ `նորմալ պատկերներ ինքնաբերաբար վերբեռնելու համար

1. Ստեղծեք for loop

2. Հաշվարկի փոփոխականը (i, այս դեպքում) սահմանեք 1-10 արժեքների մատրիցայի վրա: Հաշվարկի այս փոփոխականը կօգտագործվի յուրաքանչյուր պատկեր առանձին կանչելու համար

3. Վերցրեք i տարրը պատկերների մատրիցում ՝ num2str գործառույթի միջոցով պատկերի տողը տողից հանելու և փոխարկելու համար:

Գտեք պատկերի անվան մեջ առկա թվանշանների թիվը ՝ օգտագործելով թվային գործառույթը: Նշանակեք այս արժեքը փոփոխականին ՝ digit_normal: Այս թիվը պետք է լինի 1 -նիշ թվերի համար 1, երկնիշ թվերի համար 2 և եռանիշ թվերի համար `3: Այս տեղեկատվությունը կօգտագործվի պատկերներ ինքնաբերաբար կանչելու համար:

Քայլ 10: Ստեղծեք օղակ `նորմալ պատկերներ ինքնաբերաբար վերբեռնելու համար (con't)

3. Ստեղծեք if հայտարարություն, որը պարունակում է նախորդ քայլերի բոլոր երեք հնարավորությունները: Եթե պատկերի անունն ունի 1 նիշ, ապա պատկերը կկոչվի որպես «im000», եթե այն ունի 2 թվանշան, պատկերը կկոչվի որպես «im00», իսկ եթե այն ունի 3, ապա պատկերը կկոչվի որպես «im0»:

4. Յուրաքանչյուր if հայտարարության ներքո նշանակեք փոփոխական ՝ imread «im» - ին համապատասխան, եթե համապատասխան թվով զրոներ (ինչպես նկարագրված է վերևում), որին հաջորդում է i- ն:

Քայլ 11: Կտրեք պատկերի սահմանները

Վերցրեք սկզբնական պատկերը և կիրառեք իմկրոպլտր ՝ սև եզրերը վերացնելու և I_crop փոփոխականին նշանակելու համար: Բերքի ուղղանկյունը նշվում է մատրիցի միջոցով [95, 95, 500, 410]:

Քայլ 12: Ստեղծեք մոխրագույն մասշտաբի պատկեր

Վերցրեք կտրված պատկերը և կիրառեք rbg2gray զտիչը ՝ պատկերը մոխրագույն չափի փոխելու համար: Այս պատկերը նշանակեք I2 փոփոխականին:

Քայլ 13: Ստեղծեք հակապատկեր պատկեր

Վերցրեք I2 պատկերը և օգտագործեք imadjust- ը ՝ ուժգնության արժեքները վերավաճառելու համար:

Վերցրեք արժեքներ, որոնք ընկած են [0.2, 0.7] միջակայքում և դրանք վերավաճառեք մինչև [0, 1]: Գամման սահմանվել է 0.8 ՝ պատկերը ավելի պայծառ դարձնելու համար: Նոր պատկերը հանձնարարեք I_adjusted- ին:

Քայլ 14: Բարելավեք հակապատկերային պատկերը

Վերցրեք I_ ճշգրտված պատկերը և օգտագործեք adapthisteq գործառույթը ՝ հակադրությունը բարձրացնելու համար:

Adapthisteq շարահյուսությունը պահանջում է պատկերի անվանումը, I_adjusted, ‘numTiles’, numTiles- ի չափը, ‘nBins’ և աղբարկղերի թիվը: NumTiles- ի չափը սահմանվում է [8 8] ՝ պատկերը բաժանելով 8x8 սալիկների և աղբարկղերի թիվը `28: Պատկերը նշանակեք I_constrast- ին:

Քայլ 15: Ստեղծեք միջին զտիչ

Ստեղծեք «meanfilt» անունով փոփոխական ՝ օգտագործելով fspecial գործառույթը: Մուտքագրեք «միջին գործառույթ» ՝ միջինացված զտիչ ստեղծելու և լոգարիթմական պատուհանի չափի համար տեղադրեք [90 90]:

Քայլ 16. Համակցեք միջինացված ֆիլտրը հակապատկեր պատկերի հետ

Ստեղծեք mask_mean անունով նոր փոփոխական և օգտագործեք imfilter գործառույթը ՝ I_contrast պատկերը վերցնելու և նախկինում ստեղծված միջին զտիչը կիրառելու համար:

Քայլ 17. Պատրաստեք նոր միջին դիմակ ՝ հանելով պիքսելները

Ստեղծեք mask_mean2 անունով փոփոխական և օգտագործեք imsubtract գործառույթը, որպեսզի յուրաքանչյուր պիքսելի արժեքը I_contrast- ում հանեք mask_mean- ի համապատասխան պիքսելից:

Քայլ 18. Ստեղծեք երկուական զտված պատկեր

Մոխրագույն գույնի պատկերները սև ու սպիտակ դարձնել ՝ օգտագործելով իմբինարիզացիա: Մուտքային դիմակ_ միջոց 2, «հարմարվողական», «նախնական բևեռականություն», «մութ», «զգայունություն», 0.6: Նշանակեք այս նոր պատկերը ՝ mask_binarize:

Քայլ 19. Հեռացրեք զտված պատկերներում հայտնաբերված փոքր բշտիկները

Mask_binarize- ի վրա bwareaopen գործառույթի միջոցով հեռացրեք 100 պիքսելից պակաս կապ ունեցող օբյեկտները և սահմանեք շեմը 100 -ի: Փոփոխականին նշանակեք bw:

Քայլ 20. Ստեղծեք սկավառակի կառուցվածքային տարր

Ստեղծեք սկավառակի կառուցվածքային տարր (2 շառավղով) ՝ օգտագործելով strel գործառույթը: Հանձնարարեք այն se.

Քայլ 21. Կատարեք մորֆոլոգիական փակ գործողություններ

Վերցրեք bw և կիրառեք imclose գործառույթը կառուցվածքային տարրի վրա ՝ օբյեկտի վրա ձևաբանական սերտ գործողություն կատարելու համար:

Քայլ 22. Գտեք առնվազն 8 -ի միացման օբյեկտները

Վերցրեք bw և օգտագործեք bwconncomp ՝ պատկերում գտնելով առնվազն 8 -ի միակցելիություն ունեցող օբյեկտներ: Թվերի ելքը նշանակեք cc_1- ին:

Քայլ 23. Գտեք միացված պիքսելների առավելագույն թիվը

Օգտագործեք բջջային զվարճանքի գործառույթը ՝ «թվանշան» գործառույթը կատարելու համար ՍԴ յուրաքանչյուր բջիջ: Սա գտնում է PixelIdxList բջիջի տարրերի քանակը: Արժեք նշանակեք «numPixels» - ին:

Գտեք numPIxels- ի առավելագույն արժեքները: Ամենամեծ առավելագույնը նշանակեք «ամենամեծին», իսկ առավելագույն արժեքի ինդեքսը ՝ «idx» -ին:

Քայլ 24. Սահմանեք պիքսելների առավելագույն արժեքները 0 և գտեք պիքսելներ> = 26 պիքսելային կապով

= 26 Pixel Connectivity "src =" https://content.instructables.com/ORIG/FXY/DTW3/JEOIIEL4/FXYDTW3JEOIIEL4-p.webp

= 26 Pixel Connectivity "src =" https://content.instructables.com/ORIG/FXO/GBX1/JEOIIELB/FXOGBX1JEOIIELB-p.webp

= 26 Pixel Connectivity "src =" {{file.large_url | add: 'auto = webp & frame = 1 & height = 300' %} ">

= 26 Pixel Connectivity "src =" {{file.large_url | add: 'auto = webp & frame = 1 & height = 300' %} ">

«Bw» պատկերում ամենամեծ արժեքներով պիքսելները սահմանեք 0 ՝ պիքսելները դարձնելով սև:

Գտեք պատկերի առնվազն 26 պիքսել կապ ունեցող օբյեկտները ՝ օգտագործելով bwconncomp: Նշանակել cc_1 փոփոխականին:

Քայլ 25. Հեռացրեք արյան անոթները պատկերով

Հեռացրեք պատկերում դեռ առկա անոթները ՝ օգտագործելով bwpropfilt գործառույթը [0, 0.9] միջակայքով:

[0.9, 1] -ը բացառվում է, քանի որ 1 -ին մոտ արժեքները ցույց են տալիս տող: Հանձնարարեք «RemoveVessels» - ին:

Քայլ 26. Նկարի ցուցադրում

Displayուցադրել յուրաքանչյուր զտված պատկեր ենթածրագրում: Ցուցադրել «սահման» և «ամուր» մուտքերով, ցուցադրում է յուրաքանչյուր պատկերի ենթածրագրի կառուցվածքում: Յուրաքանչյուր պատկերին ավելացրեք վերնագիր `տարբերելու համար, թե որ ֆիլտրն է օգտագործվել:

Քայլ 27. Հեռացրեք անոթները և հաշվեք արյան բշտիկները

1. Վերցրեք «RemoveVessels» - ը և կիրառեք «Centroid» գործառույթը տարածաշրջանային ծրագրերում ՝ պատկերում պատկերված օբյեկտների կենտրոնախույսերը բացահայտելու համար: Այս առարկաները պետք է համապատասխանեն պատկերում առկա արյան խցանումներին:

2. Հաշվեք արյան թրոմբների քանակը, որոնք հայտնաբերվել են կենտրոնական մատրիցի երկարությունը վերցնելով:

Քայլ 28. Աչքի ցանցաթաղանթի պատկերի ախտորոշում ՝ որոշված արյան թրոմբների քանակի հիման վրա

Օգտագործեք եթե հայտարարությունները `պատկերը ախտորոշելու համար` հիմնված հայտնաբերված արյան խցանումների քանակի վրա:

Եթե հայտնաբերված ցենտրոիդների թիվը փոքր էր կամ հավասար էր 5 -ի, ապա պատկերը նույնականացվեց որպես նորմալ:

Եթե ցենտրոիդների թիվը 5 -ից մեծ էր, պատկերի մոտ ախտորոշվում էր դիաբետիկ ռետինոպաթիա:

Արդյունքը տպվում է հրամանի պատուհանի վրա ՝ օգտագործելով fprintf:

Քայլ 29. Եթե կա ավելի քան 5 բշտիկ…

Կրկնեք վերը նշված հրահանգները ախտորոշված պատկերների համար ՝ որպես այլ հայտարարություն: Այս հատվածը կգործի, եթե բլբաների թիվը 5 -ից մեծ լինի:

Ավարտեք if հայտարարությունը:

Քայլ 30. Կրկնեք ֆիլտրման գործընթացը նորմալ պատկերների համար ՝ պատկերի թվանշանային արժեքներով ՝ 2 և 3

Կրկնեք գործընթացը բնօրինակի մնացորդի համար, եթե numel- ի դեպքում (երբ պատկերի թվանշանի թվանշանները) հավասար է 2 -ի և 3 -ի: Սա լրացնում է նորմալ պատկերների for loop- ը:

Վերջացրեք for loop- ը:

Քայլ 31. Կրկնեք ախտորոշված պատկերների ամբողջ գործընթացը

Կրկնեք ամբողջ գործընթացը ՝ օգտագործելով «թվեր_է_քաղվածք_ ախտորոշված» մատրիցով թվարկված ախտորոշված պատկերները:

Համոզվեք, որ անցեք յուրաքանչյուր գործիչ (i) և փոխեք այն գործչի (i+10), որպեսզի ախտորոշված թվերը հայտնվեն որպես պատկերներ 11 -ից 20 -ը:

Քայլ 32. Վիճակագրական վերլուծություն

1. 'Actual_Diagnosis_Matrix' օգտագործվում է արդյունքները համեմատելու համար txt ֆայլում հայտնաբերված պաշտոնական ախտորոշման հետ: Առաջին 10 զրոները նշում են, որ առաջին 10 պատկերները պետք է լինեն նորմալ: Վերջին 10 -ը ցույց են տալիս, որ վերջին 10 պատկերները պետք է դասակարգվեն որպես դիաբետիկ ռետինոպաթիա:

2. Կրկնակի հավասար նշանը, որն օգտագործվում է «number_crect» ստեղծելու համար, ստեղծում է տրամաբանական զանգված ՝ համեմատելով «Actual_Diagnosis_Matrix» - ի համապատասխան տարրերի արժեքը for- ի օղակից ստեղծված «Diagnosis_Matrix» - ի հետ:

Ախտորոշմանը համապատասխանող յուրաքանչյուր տարրի համար կավելացվի 1, ինչը նշանակում է, որ ծածկագիրը ճիշտ է ախտորոշել այդ պատկերը: Եթե դա սխալ է, այն մատրիցային կավելացնի 0:

Հետո, վերցնելով դրա գումարը, գումարվում է բոլոր մեկը: Այլ կերպ ասած, այն գտնում է ճիշտ ախտորոշված պատկերների գումարը:

3. «Վերջնական_ տոկոսային_ճիշտ» -ը հաշվարկված տոկոսն է, թե որքանով է ճշգրիտ ծածկագիրը ախտորոշել դիաբետիկ ռետինոպաթիա: Diagnosedիշտ ախտորոշված պատկերների թիվը բաժանվում է 20 -ի (նկարների ընդհանուր թիվը) և բազմապատկվում 100 -ով `հաջողված ախտորոշումների տոկոսը գտնելու համար:

Քայլ 33: Գտեք վստահության միջակայք

1. Համոզվեք, որ ներբեռնել եք ModWald.m- ը ՝ այն որպես գործառույթ կանչելու համար: Առանց գործառույթի, դուք ինքներդ պետք է հաշվեք վստահության միջակայքը ՝ օգտագործելով փոփոխված Wald մեթոդը:

2. ModWald գործառույթն ունի 2 մուտք, որտեղ առաջինը ճիշտ որոշված պատկերների թիվն է, իսկ երկրորդը `պատկերների ընդհանուր քանակը:

3. ModWald գործառույթը դուրս կբերի համամասնությունների վստահության միջակայքի ստորին և վերին սահմանները `ընտրանքային տվյալների ճշգրտության համար: Այլ կերպ ասած, դա ձեզ կտա տոկոսների ընդմիջում, որտեղ ծածկագրի ճշգրտության իրական տոկոսը կլինի:

4. Օգտագործեք ստորև բերված fprintf- ը ՝ վիճակագրությունը և վստահության միջակայքը հրամանի պատուհանում մուտքագրելու համար:

> fprintf ('ցանցաթաղանթի պատկերների 0%տոկոսը ճիշտ ախտորոշվել է ըստ պաշտոնական ախտորոշման: / n / n', Final_percentage_correct)

> fprintf («percentageշմարիտ տոկոսադրույքը, որով մեր ծածկագիրը ճիշտ ախտորոշելու է դիաբետիկ ռետինոպաթիան, / n կընկնի [%.3f, %.3f] միջակայքում, 20 նմուշառված պատկերի հիման վրա / n ', ստորին_կապված, վերին_կապված)