زهرا درویشی جزی - کارشناس ارشد هوش مصنوعی و رباتیکز دانشگاه پیام نور مرکز نجف آباد
سیدسعید آیت - استاد گروه علمی مهندسی کامپیوتر و فناوری اطلاعات، دانشکده فنی و مهندسی، دانشگاه دانشگاه پیام نور مرکز نجف آباد

رتینوپاتی دیابتی یا ضایعات مورفولوژیکی همراه با ناهنجاری در جریان خون شبکیه مشخص میشود. پیشرفت رتینوپاتی دیابتی همچنین با تغییرات منطقهای در جریان خون شبکیه و تنظیم قطر مویرگهای شبکیه در ناحیه ماکولا و در محیط شبکیه همراه است. اگرچه رتینوپاتی دیابتی امروزه در جهان رایج است، اما پیشگیری برای افراد دشوار است. هدف از این پژوهش ارائه یک روش تشخیص رایانه ای بدون نظارت برای تشخیص دیابتی تصاویر آنژیوگرافی چشم است. برای دستیابی به این هدف، از روش رشد ناحیه برای شناسایی منطقه مورد نظر استفاده شده است. در این پژوهش از روش دستی و FCM به عنوان عملکرد برازندگی الگوریتم ژنتیکی استفاده شده است. الگوریتم ارائه شده برای ۱۰۰ چشم سالم و ۱۰۰ بیمار رتینوپاتی بیمار انجام شد. نتایج نشان میدهد که روش GA-FCM برای انتخاب نقاط اولیه عملکرد بهتری نسبت به روش دستی دارد. نتایج حاصل از مقایسه عملکرد برازندگی فازی در الگوریتم ژنتیک با سایر تکنیکها نشان میدهد که مدل پیشنهادی با بالاترین مقدار شاخص جاکارد و کمترین فاصله جاکارد بهتر از روش دستی عمل کرده است. دقت روش ارائه شده % ۸۷/۵ است که نسبت به روش دستی با دقت %۷۸/۵ بهتر عمل کرده است. همچنین حساسیت روش ارائه شده در تشخیص منطقه هدف %۹۲ است که نسبت به روش دستی با حساسیت %۸۵ عملکرد بهتری را ارائه می دهد.

رتینوپاتی، دیابت، روش رشد ناحیه، الگوریتم ژنتیک، FCM، شبکیه