CAD for corneal diseases based on topographical parameters to improve the clinical decision

Bilgisayar Destekli Tanı, tıbbi görüntüde önemli bir konudur. tıpta hekimlere tıbbi görüntülerin yorumlanmasında yardımcı olan sofistike bir prosedürdür. İnsan korneası, gözün önden şeffaf siperi. Görmeyi tetiklemek için ışığı retinaya yansıtır. Bu nedenle korneadaki herhangi bir kusur görme bozukluğuna neden olabilir. Bu eksiklik, oftalmologlar tarafından ölçülen ve değerlendirilen bir dizi topografik görüntü ile tahmin edilmektedir. Sonuç olarak, önemli bir öncelik, makine öğrenme algoritmaları kullanılarak kornea bütünlüğünü etkileyebilecek hastalıkların erken ve doğru teşhisidir. Bir Pentacam cihazı tarafından üretilen kornea görüntüleri, edinim sırasında rotasyona veya bazı bozulmalara maruz kalabilir; bu nedenle, doğru teşhis, görüntüdeki yerel özelliklerin kullanılmasını gerektirir. Buna göre, bu zorlukların üstesinden gelmek ve cornel koşullarını teşhis etmeyi iyileştirmek için bu çalışmada önerilen yeni algoritmalar. İlk olarak, kornea görüntülerinden yerel özelliklerin çıkarılması için bir SWFT algoritması önerildi. Dalgacık dönüşümü, standart SIFT algoritmasında olduğu gibi Gauss Farkı (DoG) kullanmak yerine farklı ölçeklerde görüntüler üretmek için kullanılır. İkinci olarak, IG-GLCM algoritması, zaman alıcı bir kusur olarak bilinen GLCM algoritmasının dezavantajının üstesinden gelmeyi önerdi. IG-GLCM'de görüntü gradyanı farklı yönlerde ölçülür ve ardından GLCM'yi oluşturulan görüntülere uygular. Üçüncü olarak, SIFT'in dalgacık dönüşümünün çok ölçekli alt bantları ile kullanımını araştırın. Son olarak, Yerel Bilgi Modeli tanımlayıcısı adlı yeni algoritma, görüntüden bilgi kaybına neden olan yerel ikili model eksikliğinin üstesinden gelmeyi ve görüntü döndürme sorununu çözmeyi önerdi. LIP, hangi sözde kontrast Tabanlı Merkez (CBC) değerinin yanı sıra yerel paterni (LP) hesaplamak için kullanabilen komşuların ağırlıklarını tahmin etmek için alt görüntü merkez yoğunluğunu kullanmaya dayanır. Naive Bayes, KNN, karar ağacı ve SVM sınıflandırıcılar olarak kullanıldı. Önerilen model, farklı haritaların 4848 görüntüsünden oluşan toplanmış bir veri kümesi üzerinde eğitilmiş ve başarıyla test edilmiştir. Anahtar Kelimeler: Bilgisayar destekli teşhis, öznitelik çıkarma, makine öğrenimi, destek vektör makineleri, yerel İkili Model, GLCM