การวินิจฉัยอัตโนมัติของจอประสาทตาเบาหวานผ่าน MATLAB: 33 ขั้นตอน

2024 ผู้เขียน: John Day | [email protected]. แก้ไขล่าสุด: 2024-01-30 13:07

(ดูโครงร่างโค้ดด้านบน)

เบาหวานขึ้นจอตาเป็นโรคตาที่เกี่ยวข้องกับโรคเบาหวานที่เกิดจากระดับน้ำตาลในเลือดสูง ระดับน้ำตาลในเลือดสูงทำให้หลอดเลือดในเรตินาบวม ซึ่งทำให้หลอดเลือดขยายใหญ่ขึ้นและแม้กระทั่งเส้นเลือดรั่ว ซึ่งนำไปสู่จุดด่างดำในภาพม่านตา ด้วยรหัสนี้ เราตั้งเป้าที่จะใช้การปรากฏตัวของจุดรั่วของหลอดเลือดเป็นตัวบ่งชี้ของภาวะเบาหวานขึ้นจอตาในพื้นหลัง แม้ว่าจะต้องใช้เทคนิคการวินิจฉัยเพิ่มเติมในโลกแห่งความเป็นจริง เป้าหมายของรหัสนี้คือการทำให้การประมวลผลภาพอัตโนมัติและวินิจฉัยภาพจอประสาทตาเพื่อระบุสัญญาณของภาวะเบาหวานขึ้นจอตาที่แสดงผ่านจุดมืดในภาพม่านตา

ภาพจอตาปกติ 10 ภาพและภาพจอตาที่ได้รับการวินิจฉัย 10 ภาพได้รับการประมวลผลผ่านโค้ดที่อ่านและกรองภาพก่อน จากนั้นจึงหาปริมาณจุดมืดเพื่อพิจารณาว่ามีอาการแสดงของจอประสาทตาจากเบาหวานหรือไม่ โดยอิงตามเกณฑ์ที่กำหนด ผลลัพธ์จะถูกพิมพ์ลงบนหน้าต่างคำสั่งสำหรับการตีความของผู้ดู

ขั้นตอนที่ 1: ข้อกำหนดเบื้องต้น

1. ตรวจสอบให้แน่ใจว่าคุณได้ดาวน์โหลดโปรแกรม MATLAB บนคอมพิวเตอร์ของคุณแล้ว

2. ดาวน์โหลดไฟล์ txt ที่พบในลิงค์ (กด 'ctrl+s' เพื่อบันทึกลงในไดเร็กทอรีเดียวกันกับรหัส MATLAB)

ขั้นตอนที่ 2: ข้อกำหนดเบื้องต้น (ต่อ)

4. เปิด MATLAB และพิมพ์ 'uiimport' ลงในหน้าต่างคำสั่ง

5. เลือกไฟล์ officialdiagnoses.txt และนำเข้าสู่ MATLAB เป็นเมทริกซ์เซลล์

6. ตรวจสอบให้แน่ใจว่าคุณเห็น "officialdiagnoses" เป็นตัวแปรในพื้นที่ทำงาน

ขั้นตอนที่ 3: ข้อกำหนดเบื้องต้น (ต่อ)

7. ดาวน์โหลดฟังก์ชัน ModWald.m ซึ่งสามารถรับได้จากโค้ดด้านบนหรือดาวน์โหลดจาก Canvas

(รหัสให้โดยศาสตราจารย์คิงและศาสตราจารย์ชอย)

ขั้นตอนที่ 4: ข้อกำหนดเบื้องต้น (ต่อ)

8. ดาวน์โหลด 400 ภาพดิบจากส่วนข้อมูลของโครงการ The STARE

ขั้นตอนที่ 5: ล้าง Matlab เพื่อเตรียมการรันโค้ด

เพิ่มในรหัส:

1. ปิดทั้งหมด (ปิดรูปภาพที่เปิดไว้ก่อนหน้านี้ทั้งหมด)

2. clearvars - ยกเว้น officialdiagnoses (ล้างตัวแปรทั้งหมดยกเว้นไฟล์ txt ที่วินิจฉัยก่อนหน้านี้ที่นำเข้ามาก่อนหน้านี้)

3. cclc (ล้างหน้าต่างคำสั่ง)

ขั้นตอนที่ 6: เลือกภาพตาปกติ 10 ภาพและภาพที่มีอาการจอประสาทตาจากเบาหวาน 10 ภาพ

1. นำไฟล์ข้อความการวิเคราะห์และแยกชื่อรูปภาพ ชื่อเหล่านี้อยู่ในคอลัมน์แรกของไฟล์ข้อความ ดังนั้นให้พิมพ์ 'officialdiagnoses(:, 1)' เมทริกซ์ของชื่อรูปภาพถูกกำหนดให้กับตัวแปร “all_image_numbers”

2. แปลงตัวแปร all_image_numbers จากอาร์เรย์เซลล์เป็นอาร์เรย์เมทริกซ์โดยใช้ฟังก์ชัน cell2mat

ขั้นตอนที่ 7: เลือกภาพตาปกติ 10 ภาพและภาพที่มีอาการเบาหวานขึ้นจอตา 10 ภาพ (ต่อ)

3. เลือกภาพตาปกติ 10 ภาพเพื่อเรียกใช้โค้ด ภาพที่เลือกในกรณีนี้คือ 278, 199, 241, 235, 35, 77, 82, 164, 239, 170.

วางตัวเลขเหล่านี้ในเมทริกซ์และกำหนดให้กับตัวแปรที่จะเรียกเมื่อโหลดภาพ

4. ทำซ้ำขั้นตอนที่ 3 สำหรับภาพจอประสาทตาที่ได้รับการวินิจฉัยว่าเป็นเบาหวานขึ้นจอตา ภาพที่เลือกในกรณีนี้คือ 139, 137, 136, 135, 133, 140, 141, 116, 157, 188

ขั้นตอนที่ 8: สร้าง 2 ตัวแปร (ปกติและวินิจฉัยแล้ว) และตั้งค่าให้แต่ละตัวแปรเท่ากับ0

สร้างตัวแปรเหล่านี้ก่อน for ลูปเพื่อเริ่มต้นหมายเลขลูป

ขั้นตอนที่ 9: สร้างการวนซ้ำเพื่ออัปโหลดรูปภาพปกติโดยอัตโนมัติ

1. สร้าง for ลูป

2. ตั้งค่าตัวแปรการนับ (i ในกรณีนี้) เป็นเมทริกซ์ของค่า 1-10 ตัวแปรการนับนี้จะใช้ในการเรียกแต่ละภาพแยกกัน

3. ใช้องค์ประกอบ i ในเมทริกซ์ของรูปภาพเพื่อแยกและแปลงชื่อรูปภาพจากสตริงเป็นตัวเลขโดยใช้ฟังก์ชัน num2str

ค้นหาจำนวนหลักที่มีอยู่ในชื่อภาพโดยใช้ฟังก์ชันตัวเลข กำหนดค่านี้ให้กับตัวแปร digits_normal ตัวเลขนี้ควรเป็น 1 สำหรับตัวเลขหลักเดียว 2 สำหรับตัวเลขสองหลัก และ 3 สำหรับตัวเลขสามหลัก ข้อมูลนี้จะใช้ในการเรียกรูปภาพโดยอัตโนมัติ

ขั้นตอนที่ 10: สร้าง for Loop เพื่ออัปโหลดรูปภาพปกติโดยอัตโนมัติ (ต่อ)

3. สร้างคำสั่ง if ที่มีความเป็นไปได้ทั้งสามอย่างจากขั้นตอนก่อนหน้า หากชื่อภาพมี 1 หลัก ภาพจะเรียกว่า "im000" ถ้ามี 2 หลัก ภาพจะเรียกว่า "im00" และหากมี 3 ภาพจะเรียกว่า "im0"

4. ภายใต้แต่ละคำสั่ง if กำหนดตัวแปรให้ imread "im" ภายใต้ที่สอดคล้องกัน ถ้าคำสั่งที่มีจำนวนศูนย์ที่เหมาะสม (ตามที่อธิบายไว้ข้างต้น) ตามด้วย i

ขั้นตอนที่ 11: ตัดขอบของรูปภาพ

ถ่ายภาพต้นฉบับและใช้ฟิลเตอร์แบบอิมครอปเพื่อขจัดขอบสีดำและกำหนดให้กับตัวแปร I_crop สี่เหลี่ยมครอบตัดถูกระบุโดยใช้เมทริกซ์ [95, 95, 500, 410]

ขั้นตอนที่ 12: สร้างภาพระดับสีเทา

ถ่ายภาพที่ครอบตัดแล้วใช้ตัวกรอง rbg2gray เพื่อเปลี่ยนภาพเป็นระดับสีเทา กำหนดรูปภาพนี้ให้กับตัวแปร I2

ขั้นตอนที่ 13: สร้างภาพที่ตัดกัน

ถ่ายภาพ I2 และใช้ imadjust เพื่อปรับขนาดค่าความเข้ม

นำค่าที่อยู่ในช่วง [0.2, 0.7] และปรับขนาดใหม่เป็น [0, 1] แกมมาถูกตั้งค่าเป็น 0.8 เพื่อทำให้ภาพสว่างขึ้น กำหนดรูปภาพใหม่ให้กับ I_adjusted

ขั้นตอนที่ 14: เพิ่มความคมชัดของภาพ

ถ่ายภาพ I_adjusted และใช้ฟังก์ชัน adapthisteq เพื่อเพิ่มคอนทราสต์

ไวยากรณ์ Adapthisteq ต้องการชื่อรูปภาพ, I_adjusted, 'numTiles', ขนาดของ numTiles, 'nBins' และจำนวนถังขยะ ขนาดของ numTiles ถูกตั้งค่าเป็น [8 8] โดยแบ่งรูปภาพออกเป็นไทล์ 8x8 และจำนวนถังขยะตั้งไว้ที่ 28 กำหนดรูปภาพให้กับ I_constrast

ขั้นตอนที่ 15: สร้างตัวกรองเฉลี่ย

สร้างตัวแปรชื่อ 'meanfilt' โดยใช้ฟังก์ชัน fspecial ป้อน 'ฟังก์ชันเฉลี่ย' เพื่อสร้างตัวกรองค่าเฉลี่ยและใส่ [90 90] สำหรับขนาดหน้าต่างบานเลื่อน

ขั้นตอนที่ 16: รวมฟิลเตอร์เฉลี่ยกับรูปภาพที่ตัดกัน

สร้างตัวแปรใหม่ชื่อ mask_mean และใช้ฟังก์ชัน imfilter เพื่อถ่ายภาพ I_contrast และใช้ตัวกรองค่าเฉลี่ยที่สร้างไว้ก่อนหน้านี้

ขั้นตอนที่ 17: สร้าง Mean Mask ใหม่โดยลบ Pixels

สร้างตัวแปรชื่อ mask_mean2 และใช้ฟังก์ชัน imsubtract เพื่อลบค่าของแต่ละพิกเซลใน I_contrast จากพิกเซลที่เกี่ยวข้องใน mask_mean

ขั้นตอนที่ 18: สร้างภาพที่กรองแบบไบนารี

เปลี่ยนภาพระดับสีเทาเป็นขาวดำโดยใช้ imbinarize ป้อนข้อมูล mask_mean2, 'adaptive', 'ForegroundPolarity', 'dark', 'Sensitivity', 0.6 กำหนดรูปภาพใหม่นี้ให้กับ mask_binarize

ขั้นตอนที่ 19: ลบ Blobs ที่เล็กกว่าที่พบในรูปภาพที่ถูกกรอง

ลบอ็อบเจ็กต์ที่มีการเชื่อมต่อน้อยกว่า 100 พิกเซลโดยใช้ฟังก์ชัน bwareaopen บน mask_binarize และตั้งค่าขีดจำกัดเป็น 100 กำหนดตัวแปรเป็น bw

ขั้นตอนที่ 20: สร้างองค์ประกอบโครงสร้างดิสก์

สร้างองค์ประกอบโครงสร้างดิสก์ (มีรัศมี 2) โดยใช้ฟังก์ชัน strel กำหนดให้ดู

ขั้นตอนที่ 21: ดำเนินการปิดทางสัณฐานวิทยา

ใช้ bw และใช้ฟังก์ชัน imclose กับองค์ประกอบโครงสร้างเพื่อดำเนินการปิดทางสัณฐานวิทยาบนวัตถุ

ขั้นตอนที่ 22: ค้นหาวัตถุที่มีการเชื่อมต่ออย่างน้อย 8

ใช้ bw และใช้ bwconncomp เพื่อค้นหาวัตถุที่มีการเชื่อมต่ออย่างน้อย 8 ในภาพ กำหนดเอาต์พุตตัวเลขให้กับ cc_1

ขั้นตอนที่ 23: ค้นหาจำนวนพิกเซลที่เชื่อมต่อสูงสุด

ใช้ฟังก์ชัน cellfun เพื่อทำหน้าที่ "numel" ในทุกเซลล์ใน CC ค้นหาจำนวนองค์ประกอบในเซลล์ PixelIdxList กำหนดค่าให้กับ “numPixels”

ค้นหาค่าสูงสุดใน numPIxels กำหนดค่าสูงสุดที่ใหญ่ที่สุดเป็น "ใหญ่ที่สุด" และดัชนีของค่าสูงสุดเป็น "idx"

ขั้นตอนที่ 24: ตั้งค่า Max Pixel เป็น 0 และค้นหา Pixels With >=26 Pixel Connectivity

ตั้งค่าพิกเซลที่มีค่ามากที่สุดในรูปภาพ "bw" เป็น 0 ทำให้พิกเซลเป็นสีดำ

ค้นหาวัตถุที่มีการเชื่อมต่ออย่างน้อย 26 พิกเซลในภาพโดยใช้ bwconncomp กำหนดให้กับตัวแปร cc_1

ขั้นตอนที่ 25: ลบหลอดเลือดใน Image

นำหลอดเลือดที่ยังคงอยู่ในภาพออกโดยใช้ฟังก์ชัน bwpropfilt ที่มีช่วง [0, 0.9]

[0.9, 1] ถูกยกเว้นเนื่องจากค่าที่ใกล้กับ 1 หมายถึงเส้น กำหนดให้ "RemoveVessels"

ขั้นตอนที่ 26: การแสดงรูป

แสดงภาพที่กรองแล้วในโครงเรื่องย่อย อิมโชว์ ด้วยอินพุต 'เส้นขอบ' และ 'แน่น' จะแสดงแต่ละภาพในโครงสร้างแผนย่อย เพิ่มชื่อให้กับแต่ละภาพเพื่อแยกแยะว่ามีการใช้ตัวกรองใด

ขั้นตอนที่ 27: นำเรือออกและนับหยดเลือด

1. ใช้ “RemoveVessels” และใช้ฟีเจอร์ 'Centroid' ในอุปกรณ์ประกอบฉากเพื่อระบุเซนทรอยด์ของวัตถุในภาพ วัตถุเหล่านี้ควรสอดคล้องกับลิ่มเลือดที่ปรากฏในภาพ

2. นับจำนวนลิ่มเลือดที่ระบุโดยหาความยาวของเซนทรอยด์เมทริกซ์

ขั้นตอนที่ 28: วินิจฉัยภาพจอประสาทตาตามจำนวนลิ่มเลือดที่ระบุ

ใช้คำสั่ง if เพื่อวินิจฉัยภาพตามจำนวนลิ่มเลือดที่ระบุ

หากจำนวนเซนทรอยด์ที่ระบุน้อยกว่าหรือเท่ากับ 5 ภาพจะถูกระบุตามปกติ

หากจำนวนเซนทรอยด์มากกว่า 5 ภาพจะวินิจฉัยว่าเป็นภาวะเบาหวานขึ้นจอตา

ผลลัพธ์จะถูกพิมพ์ลงบนหน้าต่างคำสั่งโดยใช้ fprintf

ขั้นตอนที่ 29: หากมีมากกว่า 5 Blobs…

ทำซ้ำคำแนะนำด้านบนสำหรับภาพที่ได้รับการวินิจฉัยว่าเป็นคำสั่งอื่น ส่วนนี้จะรันถ้าจำนวน blobs มากกว่า 5

จบคำสั่ง if

ขั้นตอนที่ 30: ทำซ้ำขั้นตอนการกรองสำหรับรูปภาพปกติด้วยค่าตัวเลขรูปภาพเป็น 2 และ 3

ทำซ้ำขั้นตอนสำหรับส่วนที่เหลือของต้นฉบับ if คำสั่งเมื่อ numel (จำนวนหลักในหมายเลขรูปภาพ) เท่ากับ 2 และ 3 การดำเนินการ for loop สำหรับรูปภาพปกติจะเสร็จสมบูรณ์

สิ้นสุดการวนรอบ

ขั้นตอนที่ 31: ทำซ้ำขั้นตอนทั้งหมดสำหรับรูปภาพที่ได้รับการวินิจฉัย

ทำซ้ำขั้นตอนทั้งหมดโดยใช้รูปภาพที่ได้รับการวินิจฉัยซึ่งแสดงโดยเมทริกซ์ “numbers_to_extract_diagnosed”

ตรวจสอบให้แน่ใจว่าได้ผ่านทุกตัวเลข (i) และเปลี่ยนเป็นตัวเลข (i+10) เพื่อให้ตัวเลขที่ได้รับการวินิจฉัยจะปรากฏขึ้นเป็นภาพที่ 11 ถึง 20

ขั้นตอนที่ 32: การวิเคราะห์ทางสถิติ

1. 'Actual_Diagnosis_Matrix' ใช้เพื่อเปรียบเทียบผลลัพธ์กับการวินิจฉัยอย่างเป็นทางการที่พบในไฟล์ txt ศูนย์ 10 ตัวแรกระบุว่า 10 ภาพแรกควรเป็นปกติ 10 ภาพสุดท้ายระบุว่า 10 ภาพสุดท้ายควรจัดเป็นเบาหวานขึ้นจอตา

2. เครื่องหมายเท่ากับสองเท่าที่ใช้ในการสร้าง 'number_correct' สร้างอาร์เรย์แบบลอจิคัลโดยเปรียบเทียบค่าขององค์ประกอบที่สอดคล้องกันของ 'Actual_Diagnosis_Matrix' กับ 'Diagnosis_Matrix' ที่สร้างจากลูป for

สำหรับแต่ละองค์ประกอบที่ตรงกับการวินิจฉัย จะมีการเพิ่ม 1 ซึ่งหมายความว่ารหัสจะวินิจฉัยภาพนั้นอย่างถูกต้อง หากไม่ถูกต้องจะเพิ่ม 0 ให้กับเมทริกซ์

จากนั้นนำผลรวมของสิ่งนั้นมารวมกันทั้งหมด กล่าวคือจะพบผลรวมของภาพที่วินิจฉัยอย่างถูกต้อง

3. 'Final_percentage_correct' คือเปอร์เซ็นต์ที่คำนวณว่ารหัสวินิจฉัยภาวะเบาหวานขึ้นจอตาได้แม่นยำเพียงใด จำนวนภาพที่วินิจฉัยอย่างถูกต้องจะถูกหารด้วย 20 (จำนวนภาพทั้งหมด) และคูณด้วย 100 เพื่อหาเปอร์เซ็นต์ของการวินิจฉัยที่สำเร็จ

ขั้นตอนที่ 33: ค้นหาช่วงความเชื่อมั่น

1. ตรวจสอบให้แน่ใจว่าคุณได้ดาวน์โหลด ModWald.m เพื่อเรียกใช้เป็นฟังก์ชัน หากไม่มีฟังก์ชัน คุณจะต้องคำนวณช่วงความเชื่อมั่นโดยใช้วิธี Wald ที่แก้ไขด้วยตนเอง

2. ฟังก์ชัน ModWald มีอินพุต 2 ช่อง โดยช่องแรกคือจำนวนรูปภาพที่ระบุอย่างถูกต้อง และช่องที่สองคือจำนวนรูปภาพทั้งหมด

3. ฟังก์ชัน ModWald จะส่งออกขอบเขตล่างและบนของช่วงความเชื่อมั่นของสัดส่วนเพื่อความถูกต้องของข้อมูลตัวอย่าง กล่าวอีกนัยหนึ่ง คุณจะให้ช่วงเวลาของเปอร์เซ็นต์ที่เปอร์เซ็นต์ที่แท้จริงของความถูกต้องของรหัสจะอยู่

4. ใช้ fprintf ด้านล่างเพื่อส่งออกสถิติและช่วงความเชื่อมั่นไปยังหน้าต่างคำสั่ง

> fprintf('%.0f เปอร์เซ็นต์ของภาพจอประสาทตาได้รับการวินิจฉัยอย่างถูกต้องตามการวินิจฉัยอย่างเป็นทางการ \n\n', Final_percentage_correct)

> fprintf('เปอร์เซ็นต์ที่แท้จริงที่โค้ดของเราจะวินิจฉัยภาวะเบาหวานขึ้นจอตาอย่างถูกต้อง\n จะอยู่ในช่วง [%.3f, %.3f] โดยอิงจากภาพตัวอย่าง 20 ภาพ \n', lower_bound, upper_bound)