СОЗДАНИЕ ЭКСПЕРТНОЙ СИСТЕМЫ, ОСНОВАННОЙ НА НЕЧЕТКОЙ ЛОГИКЕ, ДЛЯ РАННЕЙ ДИАГНОСТИКИ ГЛАУКОМЫ

В настоящее время системы принятия решений, основанные на изображениях, приобретают все большее значение, особенно в области медицины. Изображения стали фундаментальным инструментом для клинических исследований и диагностики заболеваний. В случае глаукомы, заболевания, которое может повредить головку зрительного нерва и привести к необратимой потере зрения, для ранней диагностики была разработана новая нечеткая экспертная система. Исходные изображения ONH предварительно обрабатываются фильтрами для удаления шума, после чего используется алгоритм Canny detector для определения контуров. Затем извлекаются ключевые параметры путем идентификации эллиптических форм диска зрительного нерва и экскавации с использованием рандомизированного преобразования Хафа. Алгоритм классификации, основанный на нечеткой логике, используется для оценки состояния пациентов с учетом как инструментальных параметров, так и факторов риска, таких как возраст, раса и семейный анамнез. Система протестирована на наборе данных офтальмологических изображений, демонстрирующих значительное улучшение прогнозов по сравнению с существующими методами с точностью более 96% при выявлении случаев с подозрением на глаукому.

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.