ГЛАУКОМАНЫ ЕРТЕ ДИАГНОСТИКАЛАУ ҮШІН БҰЛЫҢҒЫР ЛОГИКАҒА НЕГІЗДЕЛГЕН САРАПТАМАЛЫҚ ЖҮЙЕ ҚҰРУ

Кескіндерге негізделген шешім қабылдау жүйелерінің қазіргі уақытта медицина саласындағы маңызы артып келеді. Кескіндер клиникалық зерттеулер үшін ауруларды диагностикалаудың негізгі құралдарының біріне айналды. Бұл мақалада біз көру жүйкесінің басын зақымдайтын және көру қабілетінің қалпына келмейтіндей жоғалуына әкелетін глаукоманы емдеу туралы сөз қозғаймыз. Мақалада глаукоманы ерте диагностикалауға арналған жаңа бұлдыр сараптамалық жүйе ұсынылған. OКT бастапқы кескіндері алдымен кескіннің анық еместігін жою үшін тиісті сүзгілер арқылы алдын ала өңделеді. Содан кейін контурларды анықтау үшін Canny детекторы алгоритмі қолданылады. Осыдан кейін негізгі параметрлер анықталып, оптикалық диск пен ойықтың эллиптикалық формалары сәйкестендіріледі. Бұл операция Randomized Hough Transform арқылы жүзеге асырылады. Соңында, пациенттердің ауруын анықтау үшін бұлдыр логикалық тәсілдерге негізделген жіктеу алгоритмі ұсынылады. Біздің жүйе аспаптық параметрлерді де, қауіп факторларын да (жас, нәсіл, отбасы тарихы) ескереді, бұл глаукоманың болуы мүмкін деген болжамды нақтылауға маңызды үлес қосады. Ұсынылған жүйе қалыпты және глаукоматозды науқастардың офтальмологиялық кескіндерінің нақты деректер жинағында сыналған. Қолданыстағы басқа жүйелермен салыстырғанда тәжірибелік нәтижелер ұсынылған әдістердің артықшылығын көрсетеді. Бұрынғы әдістермен салыстырғанда, дұрыс болжамдардың пайызы 96%-дан асып, 1–9% жақсару көрсеткен.

1. Dahl A.A. Glaucoma Causes, Symptoms. – Treatment & Surgery. – 2018. [online]. https://www.medicinenet.com/glaucoma/article.htm. [Accessed: 10-Available at: Mar-2018].

2. Nayak J., Acharya U.R., Bhat P.S., Shetty A., Lim T.C. Automated diagnosis ofglaucoma using digital fundus images // J. Med. Syst. – 2009. – Vol. 33. – No. 5. – 7, Springer. – PP. 337–346.7.

3. Абышева Л.Д., Алдашева Н.А., Утельбаева З.Т. Сравнительная оценка методов лечения рефрактерной глаукомы // Вестник КазНМУ. – 2019. – № 3. – PP. 185–188.

4. Kourkoutas D., Karanasiou I.S., Tsekouras G.J., Moshos M., Iliakis E., Georgopoulos G. Glaucoma risk assessment using a non-linear multivariableregression method // Comput. Methods Programs Biomed. 2012. – Vol.108. – No. 3. – PP. 1149–1159.

5. Greany M.J. et al. Comparisons of optic nerve imaging methods to distinguishnormal eyes from those with glaucomaInvest // Ophthalmol. Visual Sci. – 2002. – Vol. 43. – No. 1. – PP. 140–14.

6. Lachkar Y., Sellem E. La papille glaucomateuse en pratique // LaboratoireChauvin Bausch & Lomb. – 2024. – No. 80.

7. Man Hua, Chenghao Zhub, Xiaoxing Lib, Yongli Xub. Optic Cup Segmentationfrom Fundus Images for Glaucoma Diagnosis. – Taylor & Francis, 2016. – PP. 1–8 [Online].

8. Chandrika S., Nirmala K. Analysis of CDR detection for glaucoma diagnosis // Int. J. Eng. Res. Appl. (IJERA). – 2013. ISSN: 2248-9622, NCACCT-19.

9. Sobia Nazi, Sheela N. Rao. Glaucoma detection in color fundus images usingcup to disc ratio // Int. J. Eng. Sci. (IJES). –2014. – Vol. 3. – No. 6. – PP. 51–58.

10. Kim P.Y., Iftekharuddin K.M. Novel fractal feature-Based multiclass glaucomadetection and progression prediction // IEEE J. Biomed. Health. Inf. – 2013. – Vol. 17. – No. 2.

11. Tan M.H., Sun Y., Ong S.H., Liu J., Baskaran M., Aung T., Wong T.Y. Automaticnotch detection in retinal images : IEEE 10th International Symposium onBiomedical Imaging, April, San Francisco, CA, USA, 2013.

12. Yadav D., Sarathi M.P., Dutta M.K. Classification of glaucoma based on texturefeatures using neural networks : IEEE 7th International Conference onContemporary Computing, August, Noida, India, 2014.

13. Noronha K.P., Acharya U.R., Nayaka K.P., Martis R.J., Bhandary S.V. Automatedclassification of glaucoma stages using higher order cumulant features Biomed // Signal Process. Control. – 2014. – No. 10. – PP. 174–183.

14. Raja C., Gangatharan N. A hybrid swarm algorithm for optimizing glaucomadiagnosis // Comput. Biol. Med. – 2015. – No. 63. – PP. 196–207.

15. Ashish Issac, M. Partha Sarathi, Malay Kishore Dutta. An adaptive thresholdbased image processing technique for improved glaucoma detection andclassification // Comput. Methods Programs Biomed. – 2015. – Vol. 122. – No. 2. – PP. 229–244.

16. Cosmin A. Basca, Mihai Talos, Remus Brad. Randomized hough transform forellipse detection with result clustering : IEEE International Conference onComputer as a Tool, Serbia & Montenegro, Belgrade, 2005.

17. Bennett N., Burridge R., Saito N. A method to detect and characterize ellipsesusing the Hough transform // IEEE Trans. Pattern Anal. Mach. Intell. – 1999. – Vol. 21. – No. 7. – PP. 652–657.

18. Corine Schnyder, André Mermoud, et al. Glaucome. – Atlas En Ophtalmologie. – Elsevier, 2005. – PP. 463.

19. Van Broekhoven E., De Baets B. A comparison of three methods for computingthe center of gravity defuzzification : IEEE International Conference onFuzzy Systems, Budapest, Hungary, 2004.