موسسه آموزش عالی آپادانا فصلنامه پیشرفت های مهندسی در حوزه پزشکی و مواد - Segmentation and Classification of Diabetic Retinopathy from Iris Images Using an Optimized Particle Swarm Algorithm and Deep U-Net Neural Network بخش بندی و طبقه بندی بیماری رتینوپاتی دیابتی از تصاویر عنبیه چشم با استفاده از الگوریتم ازدهام ذرات بهینه و شبکه عصبی عمیق U-Net 10.22051/jera.2021.31891.2698 FA فاطمه دانشجوی کارشناسی ارشد گروه مهندسی (مهندسی پزشکی)، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران امید استادیار گروه مهندسی (مهندسی پزشکی)، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران مهدی استادیار گروه مهندسی (مهندسی پزشکی)، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران Diabetes is a highly prevalent disease throughout the world. It is considered the most common cause of blindness among people under the age of 50. Many researchers have confirmed that 90% of diabetic patients can be saved from this disease through early diagnosis. The image dataset considered in this study is MESSIDOR, and the simulation was carried out in the MATLAB environment in four stages.In the first stage, preprocessing is performed with the aim of removing possible noise and standardizing the input dataset. Then, segmentation is carried out. Next, an optimized particle swarm algorithm is used for dimensionality reduction, feature selection, and feature extraction. In this phase, skewness and kurtosis are also employed to achieve better and more optimal feature selection and extraction. The velocity and inertia weight operators in the optimized particle swarm algorithm are considered important factors in identifying the best features.Finally, in order to cluster retinopathy cases, the deep U-Net neural network algorithm is used, which is capable of creating two clusters: diseased and non-diseased. The diseased category itself is further divided into five conditions: Exudate, Microaneurysm, Bleeding, Keratoconjunctivitis, and Keratomalacia. The obtained results indicate that the accuracy of the proposed method is better than that of other methods. The achieved accuracy is 98.24%. دیابت یک بیماری بسیار شایع در سراسر جهان است. این بیماری به عنوان شایع ترین علت نابینایی برای افرادی که سن آنها کمتر از 50 سال است، شایع می باشد. بسیاری از محققان تصدیق کردند که 90٪ از بیماران دیابتی می توانند از طریق تشخیص زودرس از این بیماری نجات پیدا کنند. مجموعه داده تصویری مدنظر این تحقیق نیز MESSIDOR است و شبیه سازی در محیط MATLAB انجام گرفته و دارای چهار مرحله است. در مرحله اول، پیش پردازش صورت می گیرد که با هدف حذف نویز احتمالاتی و استاندارد سازی مجموعه داده ورودی است. سپس عملیات تقطیع انجام می گیرد. در ادامه از الگوریتم الگوریتم ازدحام ذرات بهینه با هدف کاهش ابعاد، انتخاب و استخراج ویژگی استفاده می شود. در این فاز، چولگی و کشیدگی نیز برای انتخاب و استخراج بهتر و بهینه تر ویژگی ها وارد عمل می شوند. عملگرهای سرعت و اینرسی وزن در الگوریتم ازدحام ذرات بهینه به عنوان یک مسئله مهم در تشخیص بهترین ویژگی ها مدنظر واقع می گردد. در انتها به منظور خوشه بندی رتینوپاتی از الگوریتم شبکه عصبی عمیق U-Net استفاده می شود که توانایی ایجاد دو خوشه شامل بیمار و عدم بیمار را دارد. بخش دارای بیماری، خود به 5 بیماری تقسیم می شود بیماری های Exudate، Microaneurism، Blooding، Keratoconjunctivits و Keratomalacia . نتایج به دست آمده نشان می دهد که دقت روش ارائه شده نسبت به سایر روش ها، دارای عملکرد بهتری است. میزان دقت 98.24 % است. /downloadfilepdf/298474