利用遗传算法和模糊c均值预测糖尿病视网膜病变的扩展方法

摘要

本研究提出了一种利用荧光素图像的计算机诊断方法诊断糖尿病疾病的新方法。为此，本研究结合患者眼部血管造影图像，提出了糖尿病诊断的生长区域算法。此外，本研究结合模糊c均值(FCM)和遗传算法(GA)两种方法，从血管造影图像中预测糖尿病患者的视网膜病变。该算法应用于共224张患者视网膜病变眼的图像。实验结果表明，GA-FCM方法在初始点的选取上优于手工方法。该方法灵敏度为0.78。将遗传算法中的模糊适应度函数与其他方法进行比较，发现本文所提出的方法更适用于Jaccard指数，因为它能提供最低的Jaccard距离，同时也能提供最高的Jaccard值。分析结果表明，该方法能够有效地从血管造影图像中预测糖尿病患者的视网膜病变。

1.简介

糖尿病患者在某些情况下会失去视力，这通常是由于糖尿病视网膜病变(DR)，不过，还有一些其他原因导致视力下降或视力不良，包括其他视网膜和非视网膜视力状况，如黄斑变性和青光眼(与年龄有关)和神经病变血管视力(即非动脉性前缺血性视神经病变(NAION))和白内障[1- - - - - -4］．此外，当一个糖尿病患者抱怨视觉障碍时，尽管6.6的精确度很高，屈光不正、对比敏感度、直射光和顺应性范围都需要考虑在内。治疗糖尿病患者的医生应考虑到这些视力问题，以确保及时转诊和治疗，尽可能控制视力损害。这种控制严重影响了人们的日常生活，特别是开车等活动。5，6］．

糖尿病视网膜病变可被认为是糖尿病(DM)的一种疾病，在发达国家已被认为是健康成人失明的主要原因。糖尿病视网膜病变会改变视网膜和脉络膜循环。多血管功能障碍可能是DR的主要标志[7- - - - - -9］．此外，非增生性糖尿病视网膜病变(NPDR)可通过毛细血管蛋白丢失、肾小球基底膜形态增厚、平滑肌细胞丢失来定义，从而导致微动脉瘤，这是预测DR进展的重要指标[10，11］．

此外，在氟苯尼考血管造影(FA)研究中的中心凹无血管区(FAZ)和毛细血管流出，已经观察到原发性DR患者。近年来，OCT血管造影显示糖尿病视网膜病变患者存在微环境和毛细血管切除。尽管DR通常被称为视网膜、组织学、电子显微镜、绿色和内源性血管造影(ICGA)，但研究表明，糖尿病伴胆管癌(CC)变性和层状沉积的形成，“糖尿病冷冻治疗”一词用于指与糖尿病相关的胆管癌的变化[5，12，13］．糖尿病患者的视网膜和脉络膜导管成像并不经常发生，特别是在初级保健中心就诊的患者，因为基于颜色的血管造影技术，如FA和ICGA，需要静脉注射外部染料[14］．

此外，考虑到它的位置和结构，CC可视化在FA和ICGA中都具有挑战性。OCTA是一种相对较新的成像技术，可以间接显示视网膜和CC通路。CATA基于电机的对比度，与FA和ICGA不同，它不需要注入不同的颜色[14，15］．OCTA b扫描是通过获取视网膜快速序列中重复的OCT b扫描产生的。如果纹理是恒定的，重复扫描B是相同的;然而，如果有血液流动，移动的红细胞在OCT b扫描中产生像素，这些像素被转换为当前流速的量。OCTA的体积可以通过获取多个视网膜网络的冗余b级扫描生成。由于OCT深度已经被解析，因此可以单独看到视网膜的各个血管层，这是彩色血管造影无法做到的[2，4，16］．此外，由于不可否认，OCTA可以在随后的评审中重复多次，甚至在同一次访问中。最后，由于OCTA是标准的OCT成像格式，结构信息同时获得，并被血管造影信息固有地记录下来。该功能提供了结构和血管造影数据的同时表示[2，4，16］．

I型和II型糖尿病不仅在老年人中增加较多，而且在肥胖人群和青少年中也增加较多。糖尿病是一种多系统疾病;因此，眼睛的每一部分都可能是脆弱的。尽管两个多世纪以来，医生经常报告眼部并发症，但DR在其破坏性影响导致早期失明方面发挥了重要作用[15，16］．DR在当今世界很普遍，对人们来说预防是很困难的。眼科医生通常通过对彩色照片的直接检查和评价，通过各种眼底目视检查来判断DR的严重程度。这方面的一个挑战是，这个过程既耗时又昂贵。DR的诊断和原发疾病的诊断在某种程度上仍是因人而异的，在先前记录的研究中，经过培训的专家之间的一致统计数据有所不同[2］．

此外，75%的DR患者目前生活在不发达或贫穷地区，那里没有足够的医生、医疗卫生保健设施和诊断基础设施。为了控制可导致全球失明的DR患者数量的增长速度，许多全球筛查解决方案已经建立，以处理眼内疾病的传播，更好地保持视力;然而，这些项目广泛使用DR以有效的方式对个体视网膜病变及相关问题进行诊断和治疗[4，15］．因此，世界各地数百万人目前面临着视力障碍，却没有认识到适当的眼部保健。为了克服目前的问题条件，已经提出了使用染色眼底插图诊断视网膜疾病的自动化解决方案。事实上，仅从一个医疗诊所或筛查中心不同时间不同患者的部分样本获取的方法不适用于眼底图像[2，16］．这是由于不同的诊所使用各种眼底摄像机来检测眼睛的扩张。此外，许多算法使用一些手工制作的特征来手动提取与DR相关的属性，旨在描述对眼底解剖结构的预测，如椎间盘、血管或黄斑。尽管这些手工制作的表示可能会在基金会个人数据集上运行，但他们再次试图通过为不同人口统计目的量身定制的眼底图像准确检测DR [15，17］．通用特征，包括GLCM(灰度共生矩阵)[18， GLRM(灰度跑程矩阵)[19]和定向梯度直方图(HOG)定向梯度直方图，已经使用适用于指定DR属性的非特定方法进行了检查;然而，它们显示出较弱和不成比例的特性，这不能描述视网膜病变的细微差别。

糖尿病患者DR的定期筛查是患者护理的一个高度技术性和关键方面。护理和时机的选择对治疗的成本非常重要。如果及时诊断，DR补偿性治疗是可以获得的，这对任何需要治疗的人来说都是一个关键的过程。DR分类涉及到许多特征的权重以及这些特征的位置。这个过程对医生来说是一项艰巨的任务，需要大量的时间。经过培训后，系统可以获得更快速的分类，这将使它们能够帮助临床医生进行快速分类[17，20.，21］．

DR可以用视网膜血流异常相关的形态学病变来描述。这些病变代表了疾病初期危险因素的区域分布，并可预测疾病进展。此外，该病在晚期会出现两种不同的威胁症状:糖尿病黄斑病变(DM)视力和增殖性糖尿病视网膜病变(PDR)。这些症状可通过考虑病变扩散和类别的差异来确定[4，20.］．糖尿病视网膜病变的进展还与视网膜血流的截面变化和黄斑区和视网膜环境中视网膜毛细血管直径的调整有关。文献包括医学研究中对图像分割的一些研究，如残差驱动模糊聚类方法和自动模糊聚类方法[22，23］．没有监督的算法不涉及训练网络;它们被称为聚类方法，例如，快速FCM和稳健FCM [24- - - - - -29］．

另一方面，具有监督的方法(如ANN和循环卷积神经网络)训练一个最优的网络，用于医学图像的检测和分割[30.- - - - - -34］．非监督方法通常比训练方法更快，通常用作监督方法的预处理。FCM等方法[21，35]， KNN [21，36]、SVM [37通常用作为自动化方法生成地面真相数据的自动化方法。像FCM这样的自动化方法的优点是能够检测到具有明显颜色的位置[29，38］．换句话说，肿瘤应该是亮的或暗的，并与其他像素不同。Gadekall等人[39]提出了一种基于灰狼优化(GWO)技术的深度神经网络模型来对糖尿病视网膜病变数据集提取的特征进行分类。使用GWO可以为DNN结构的训练找到最优的参数。贝赫拉和查克拉瓦蒂[40]利用尺度不变特征变换(SIFT)方法提取一些关键特征。此外，为了捕捉每个视网膜图像上的渗出区域，采用了加速鲁棒特征(SURF)。

本研究结合患者眼部血管造影图像，提出基于FCM和遗传优化算法(GA)策略的生长区域技术，以达到糖尿病的诊断目的。FCM和遗传算法的主要新颖之处在于对图像自动聚类方法的优化。之前的一些工作为地面真实图像的提取提供了自动化方法。但是，有些还不够灵活，需要进一步改进。本文提出的方法不使用人工方法，利用遗传算法在生长区域算法中寻找FCM方法的最佳初始种子。

2.扩展生长区法

2.1.数据收集

本论文旨在通过OCT血管造影评估糖尿病视网膜病变患者FAZ的尺寸和形状，并与健康对照组进行比较。该数据库包含224张荧光大小的血管造影图像， 深度为每像素8位，每个像素大小为 这是从不同时期14次眼睛中提取的微米。其中，糖尿病患者12人，非糖尿病患者2人，平均每人16张图片(192张来自糖尿病患者，32张来自非糖尿病患者)。事实上，其中12张图像来自右眼，2张来自左眼。海德堡专科仪器在乌尔米亚医院进行荧光血管造影成像。这些图片是jpeg格式的。数字1显示数据库的实例。海德堡装置是一个原型装置，带宽为50纳米，横向分辨率为14μM，轴向分辨率为7μ每秒获得85000次a扫描。该装置由海德堡工程公司(海德堡，德国)生产，采用振幅去相关技术应用于体积扫描 或 区域，包括大小为的区域 mm或 毫米。

2.2.图像处理

近年来，图像处理得到了广泛的应用，特别是随着诸如歧视性信息处理等先进技术的出现，例如数码相机和扫描仪。另一方面，这些技术产生的图像通常都带有不同程度的噪声，甚至有时这些技术也无法减弱图像内部的边界[33，41- - - - - -43］．这个问题最终会降低合成图像的分辨率。在此背景下，图像处理是指用户为减少缺陷和提高图像质量而采取的一切操作和技术。

区域增长方法是一种尝试，根据相邻像素中图像的两个或多个部分之间的同质或相似程度，将图像分割为离散的区域;因此，在另一个层面上，它取决于应用于同质性分析的标准[44，45］．每个区域的像素使用一些特定的标准聚集在一起:照度、颜色等。这种增长基数策略是基于区域的方法中的一种简单方法，它是基于测试一个初始像素的所有接触像素的强度，并将它们添加到第一个像素，再次搜索属于该段的其他像素。在图像分割背景下，基于直方图的方法只关注图像像素在灰度级上的分布，而局部生长策略则考虑相邻像素也具有相邻灰度级[44，46］．

下文将逐步解释以区域为基础的方法的工作方式[47，48]:(1）初始种子的数量是算法的开始（2）使用这些种子，区域开始生长，类似原始像素的像素将被添加到该区域（3）一旦面积的增长停止，就会考虑到后续的谷物，并继续下一个面积的增长（4）上述步骤将继续进行，直到图像中存在的所有像素都属于一个区域

该区域的增长方法有以下步骤(图2）.

2.3.选择初始种子

为了启动算法，需要手动输入初始种子。在这种状态下，算法通过选择用户的初始点开始操作。该领域中有几种方法能够在没有任何先验知识的情况下获取起始位置。必威2490例如，可以采用随机步进策略来探索第一个点[47，49］．

针对初始点的选取问题，提出了一种模糊聚类(FCM)和遗传优化(GA)相结合的新模型。在FCM方法中，图像中的每个像素都可以属于多个集群，这有助于更准确地检测任何对象的边界。首先，利用模糊聚类技术对输入图像进行聚类处理。这种聚类方法可以在定义隶属度的基础上实现集群中心 ．因此，这些参数可以通过试错法或优化法来选择[29，50］．为了解决试验参数的所有可能值以获得最大分割精度的问题，遗传算法负责最小化代价函数(误差的平方和)，并确定这些参数的最佳值。成本函数如式(1) [51，52]: 关系在哪里可以表示为:

此外,而且计算公式为(3.)，详情如下:

2.4.确定区域的相似性

在上述步骤中确定初始点后，选择区域的相似度准则。使用该准则的目的是检查新附加像素周围的所有像素，以决定它们是否可以添加到工作区域。此过程指定新像素对应区域的归属[53，54］．

在这一领域被广泛应用的一个相似准则是可以应用于每个评价段的标准差，即新像素 如果能通过以下条件，则需要在segment区域添加:

在哪里为标准差，证明了均值，和说明用于定义区域内不同像素的数量的权重参数。一般来说，以防万一 ，更有可能的是所有的像素(约99.70%)的评估位必威2490置(像素)选择在同一分割区域。应该提到的是，无论什么价值越小，在附近找到更多相似像素的几率就越低。换句话说，通过定义参数的低值和高值 ，图像内部的分割区域的数量将分别为高和低。此外，另一个需要考虑的标准是图像的平均水平(256个可能的强度水平)。为此，首先计算出被该技术分割的区域的均值，然后计算出新的评价像素的强度值 根据式(6)被提取。这意味着(6)必须为真，以便在之前的分割区域中添加新的像素。

2.5.增长的地区

当确定了算法起始的初始种子，同时确定了像素与面积的相似度准则时，就开始了面积的增长过程。面积增长从最初的种子开始，通过选择邻近的区域来实现[53，54］．

2.5.1.模糊c均值(FCM)

使用基于某些标准的机器学习技术对同一组(分段数据或像素)中的相似数据或像素进行分组，可定义为聚类[38，55- - - - - -59］．这种潜水数据可以通过许多方法实现，如DBSCAN、模糊c均值、均值漂移和k均值算法。在模糊c均值和k均值方法中，首先，需要定义许多组/类，但在使用mean shift和DBSCAN技术(算法计算簇的最佳数量)时，情况并非如此[43，60］．

FCM方法基于寻找图像内部数据点之间的相似性，使用无监督方式定义组。与K-means和C-means等方法不同的是，该方法根据权重参数将每个点归属于某些聚类。使用FCM策略需要最小化的目标函数如式(7) [38]: 在哪里代表的样本 ， 指的是中心th集群,的成员资格分数这个样本与被划分的像素组(簇)，描述集群的数量和一个数字是用来显示图像中有多少像素 ．

2.5.2.遗传算法(GA)

通过提取与图像中每个可能的目标相关的图像关键特征，可以进行目标检测或目标识别。它意味着图像内部的每个像素基于相邻像素可以提取大量的局部或全局特征，即使通过改变图像表示，如local Directional Pattern (LDP) [61，62]或局部二进模式(LBP) [41，63］．因此，通过研究这些特征，我们可以找到图像中每个物体的结构和形状。这个调查过程可以通过优化过程来进行，以减少考虑的时间[64- - - - - -67］．遗传优化算法是在达尔文提出的进化论和适者生存或自然选择的基础上设计的。这种流行算法已被广泛应用于优化问题[64］．在遗传算法中，在每个实现阶段都对一组搜索点进行随机处理。这意味着要对许多随机的初始点进行评估，以找到下一步应用的最佳可能点。这样，每个点都被分配了一个性状序列，然后，这些序列被暴露在遗传算子中。接下来，根据最小化代价函数(或增加适应度函数)，将这些得到的序列划分为独立的部分，然后每个部分与另一个部分相加，在搜索空间内创建新的点链，直到达到停止条件。通过考虑序列的参与概率[68- - - - - -70］．在本研究中，基于输入图像与区域增长技术获得的图像之间的差值来计算代价函数。它从初始随机点开始，可表示为以下关系: 其中WM, BM和GM分别显示白质，黑质和灰质，和 ， ，而且表示分割过程中获得的图像。

2.5.3.性能分析

特异性、精密度、准确性、假阳性率(FPR)、灵敏度、相对体积差(RVD)、体积重叠误差(VOE)和骰子相似度(Dice)是用来评估模型结果的8个评价指标(可以用公式(11) - (18))。敏感度或真阳性率是指重要对象被正确识别的百分比。特异性是指不重要的物体(健康组织)被正确识别为不重要的百分比。准确性(统计偏差的测量)和精度(统计变异性的测量)分别表示测量值与预定义值的接近程度和测量值之间的接近程度[38，41，71，72］．(我)真阳性(TP):重要对象(视网膜病变)被完全识别。(2)真阴性(TN):完全识别健康组织。(3)假阳性(FP):对重要对象有错误的认识。(iv)假阴性(FN):错误地识别健康组织。 在哪里而且分别表示分割结果和地面真实结果。

在给定的测试中，特异性和敏感性取决于测试的性质和所使用的测试类型。值得一提的是，仅使用特异性和敏感性是无法解释测试结果的。受试者工作特征曲线(ROC曲线)是一种概率曲线，指的是一个图形图(TPR(真阳性率)/ FPR(假阳性率);FPR在 -轴和TPR开启 -轴)，用于检查在各种阈值设置下的任何分类模型的性能。

3.实验结果与讨论

由于区域生长算法的基础是通过计算像素强度统计量找到定义的均匀性，因此区域生长的第一步是确定一组种子位置(小区域的初始集合)。初始区域从这些种子的确切位置开始，这些种子是基于某些用户标准的，也可以基于生成的随机数进行选择。然后，根据区域成员标准(像素强度)，区域从这些种子点生长到像素附近的其他点。为了确定新点是否足够好与所选种子位置(点)连接，需要计算生长区域的均值和标准差，如式(16)及(17）.

在这里，我们使用8连通邻域作为像素的相邻关系，从种子点开始生长。通过检测种子点附近的像素值，将所有测试像素分为(1)种子点和(2)背景。这是一个迭代过程，直到在两个连续的迭代阶段中没有变化为止。这些初始位置的数量和位置由遗传算法确定。该算法通过检验遗传算法得到的种子点位置和种子点数量的随机值，计算出它们各自的代价函数。然后，利用区域增长的方法选择得到最佳分割结果的位置进行最终分割。这一过程表现为以下关系:

之后，对于已经插入到这个类中的相邻点，它们也将在相同的邻域中找到，然后完成参数的更新。搜索过程继续进行，直到第一个类的检测完全完成，不再追加其他像素。

FCM中的簇数为6-10，对于遗传算法，种群固定为20，突变率设置为0.2。数字3.演示了使用所提出的FCM-GA方法执行聚类过程的结果。如图所示，黄色区域(图像的一些类似部分)在循环内不断减少，直到达到最佳解。关于图3(一个)，视网膜靶区几乎在图像的右上方，对比度高。使用FCM方法进行分类后，隶属函数的结果如图所示3.．最终的图像能够准确地检测出视网膜目标区域的情况。用于测试数据集的混淆矩阵如图所示4．

TPR(敏感度)、ACC(准确度)、TNR(特异性)、PPV(精确度)和FPR(假阳性率)的值在表中描述1．如所示，我们的方法在所有评估方法中获得了最好的分数。Deep膜和改进的U-NET在ACC标准中有显著值。最差的结果(除FPR外)是由人工神经网络( ， ， ）.此外，与蚁群、基于像素的分割、形态学分水岭、人工神经网络和FCM结果相比，改进的U-NET和Deep膜的PPV值显著提高。对于TPR值，Deep膜模型与PCNN模型差异较小。深膜模型的FPR和TPR值与所提算法部分相似;然而，深膜法具有不同于TNR的意义。此外，基于像素的分割方法在FPR方面表现出最差的结果。蚁群、基于像素的分割、形态学分水岭、人工神经网络和FCM方法在TNR方面的效果最差，而TPR值则是可以接受的。

表格2说明了我们的分割技术的评价和从最近发表的模型的结果。RVD测量得到的值意味着过分割或欠分割的数量。因此，0分表示分割结果最好，负值表示分割结果图像小于对应的实际标注图像。对于精确的分割，DICE等于1。Deep膜模型和PCNN模型的Dice分数相同，与所提算法的Dice分数有部分相似;然而，这两种技术有明显不同的RVD。此外，基于深度膜和基于像素的分割算法的欠分割结果分别为-2.46和-5.64值。此外，与我们的结果相比，人工神经网络和形态学分水岭模型的RVD值相当高。我们的策略和蚁群算法具有显著不同的rvd[19]。考虑VOE，最小值和最大值分别属于我们的模型和人工神经网络。 Moreover, there are minimum differences between VOEs in Ant colony, Pixel-based Segmentation, and Artificial Neural Network techniques.

因此，将理想的异常区域划分为血管造影图像在医学成像中起着至关重要的作用。在医学背景下，应用分割算法提高图像的精度和功能。本文提出的方法应用于大量的图像，并将实际的图像分析相互比较，以检验阅读的结果。本研究对各种绩效标准进行了比较研究。一般来说，在GA分类中，FCM的结果更准确。在不改变医学图像的基本性质的情况下，需要扩展这项工作，用一些其他算法来改进GA分割。

实验结果表明，该方法能够有效地降低VOE评分。这表明图像被分割的精度更高。在本研究中，采用区域生长法自动分离初始点。此外，利用遗传算法自动选择最合适的初始点。采用遗传算法对图像进行分割，定义最佳适应度函数。通过这种方式，确定适当的初始位置以启动算法。最后，将图像暴露在算法中，并将得到的结果与人工选取点所在区域的增长方法的结果进行比较。研究结果证实了我们的技术在减少碎片误差方面的能力。

本研究共使用了224张视网膜图像，其中192张来自糖尿病眼，32张来自非糖尿病眼。我们分别使用总数据的70%、20%和10%用于训练、验证和测试。该方法在所有方法中灵敏度最高。这表明遗传算法可以更有效地用于初始点的选择。

4.结论

本文提出了一种基于生长区域技术的图像分割方法。该模型是基于FCM和GA方法的结合，旨在从患者眼睛的血管造影图像中诊断糖尿病。算法从图像内部的早期位置开始，取这些位置的均值作为目标区域的均值，标准差的早期值设为零。为了检测提取的目标区域，采用基于遗传算法的动态图像分析推荐视网膜病变图像。采用特异性(Specificity)、精密度(Precision)、准确性(Accuracy)、假阳性率(False positive rate, FPR)、灵敏度(Sensitivity)、相对体积差(Relative volume difference, RVD)、体积重叠误差(volume overlap error, VOE)和骰子相似度(Dice similarity, Dice)等8个评价指标对所提出的结构进行评价。将遗传算法中的模糊拟合函数与另一种方法进行了比较，结果表明所提出的方法更适用于灵敏度和骰子测度，具有最大的灵敏度和骰子指数。VOE指数的最小值和最大值分别与建议模型和人工神经网络有关。此外，voe在人工神经网络、基于像素的分割和蚁群技术之间有最小的差异。

模糊适应度函数c均值评价基于阈值的物理模糊工具，即遗传算法中的模糊c均值工具的分割效果。在不改变主要医学血管造影图像性质的前提下，将GA分类方法推广应用于改进GA分割。结果表明，本研究引入的方法成功地降低了VOE和RVD指数的值。说明图像的分割精度更高。

此外，本研究采用遗传优化器，以自动为分割任务应用适当的早期位置。利用遗传算法，通过定义适合图像分割的适应度函数，确定合适的早期点，开始算法。最后，将预处理好的图像暴露于算法中，并将得到的结果与人工选取点区域的生长方式进行比较。实验结果表明，该算法在减少碎片错误方面具有较强的能力。

数据可用性

该数据集可在线查阅:http://www.med.harvard.edu/AANLIB/．

利益冲突

作者声明他们没有利益冲突。

参考文献

1. M. Al-Antary, M. Hassouna, Y. Arafa，和R. Khalifah，“使用基于像素的分割方法自动识别糖尿病视网膜病变”，在ACM国际会议论文集，第16-20页，计算机协会，纽约，纽约，美国，2019年。视图:谷歌学者
2. T. J. Jebaseeli, C. A. Deva Durai和J. D. Peter，“利用串联PCNN模型和基于深度学习的支持向量机从糖尿病视网膜病变图像中分割视网膜血管”，Optik， vol. 199, p. 163328, 2019。视图:出版商的网站|谷歌学者
3. Y. Moharamzad, a . H. Davarpanah, a . Yaghobi Joybari等人，“表观扩散系数(ADC)在鉴别子宫内膜癌与良性病变中的诊断性能:一项系统综述和meta分析，”腹部放射学第46卷第4期。3，第1115-1128页，2021年。视图:出版商的网站|谷歌学者
4. 薛建军，闫淑娟，瞿建军等，“糖尿病视网膜病变多任务分割的深膜系统，”以知识为基础的系统， vol. 183, p. 104887, 2019。视图:出版商的网站|谷歌学者
5. T. J. Jebaseeli, C. A. D. Durai和J. D. Peter，“从眼科糖尿病视网膜病变图像中分割视网膜血管”，计算机与电气工程， vol. 73, pp. 245-258, 2019。视图:出版商的网站|谷歌学者
6. 李强，范淑贞，陈辰，“基于改进U-NET网络的糖尿病视网膜病变智能分割与诊断方法，”医学系统杂志，第43卷，no。2019年第9期，第1-9页。视图:出版商的网站|谷歌学者
7. 何敏，王伟，余辉等，“糖尿病视网膜病变与非糖尿病视网膜病变患者玻璃体中环状rna表达谱的比较，”Acta Diabetologica第57卷，no。4, pp. 479-489, 2020。视图:出版商的网站|谷歌学者
8. A. Khan, I. N. Petropoulos, G. Ponirakis和R. A. Malik，“糖尿病的视觉并发症:视网膜病变之外”，糖尿病药物第34卷第4期。4, pp. 478-484, 2017。视图:出版商的网站|谷歌学者
9. K. A. Ponto, J. Koenig, T. Peto等人，“筛查发现的糖尿病中糖尿病视网膜病变的患病率:来自古腾堡健康研究(GHS)的结果，”Diabetologia第59卷，no。9, pp. 1913-1919, 2016。视图:出版商的网站|谷歌学者
10. S. P. Mortensen, K. M. Winding, U. W. Iepsen等，“两种运动模式对2型糖尿病患者骨骼肌毛细血管超微结构的影响，”斯堪的纳维亚运动医学与科学杂志第29卷第4期。3, pp. 360-368, 2019。视图:出版商的网站|谷歌学者
11. L. Perrone, T. S. Devi, K. I. hosoy, T. Terasaki和L. P. Singh，“糖尿病患者视网膜毛细血管内皮细胞中硫氧还蛋白相互作用蛋白(TXNIP)通过染色质修饰诱导炎症，”细胞生理学杂志，第221卷，no。1, pp. 262-272, 2009。视图:出版商的网站|谷歌学者
12. a . Mirshahi, F. Ghassemi, K. Fadakar, R. Mirshahi, F. Bazvand，和H. Riazi-Esfahani，“全视网膜光凝对糖尿病视网膜病变视网膜血管系统和中心凹陷无血管区影响的初步研究”，当代眼科学杂志第31卷第1期。3, pp. 287-291, 2019。视图:出版商的网站|谷歌学者
13. M. Niestrata-Ortiz, P. Fichna, W. Stankiewicz和M. Stopa，“无糖尿病视网膜病变的糖尿病儿童用光学相干层析血管造影检测到中心凹陷无血管带增大，”格雷菲临床和实验眼科学档案，第257卷，no。4, pp. 689-697, 2019。视图:出版商的网站|谷歌学者
14. Yu C.，谢S.，牛S.等，“用深度卷积神经网络分割SD-OCT视网膜图像中糖尿病视网膜病变的超反射病灶，”医学物理学第46卷第4期。10, pp. 4502-4519, 2019。视图:出版商的网站|谷歌学者
15. 李晓霞，沈亮，沈明，谭峰，邱春生，“基于光学相干层析成像的深度学习早期糖尿病视网膜病变检测，”Neurocomputing《中国科学》，vol. 369, pp. 134-144, 2019。视图:出版商的网站|谷歌学者
16. P. Brata Chanda和S. K. Sarkar，“用于糖尿病视网膜病变分析的视网膜图像中的血管、渗出和异常的自动识别”SSRN电子期刊2019年，第1卷第1 - 9页。视图:出版商的网站|谷歌学者
17. 叶磊，朱伟，冯舒，陈晓，“群体注意网络在糖尿病视网膜病变图像分割中的应用”医学成像2020:图像处理，第1-13页，美国德克萨斯州，2020年。视图:谷歌学者
18. J. Rahebi和F. Hardalaç，“基于灰度共现矩阵特征的视网膜血管神经网络分割”，医学系统杂志第38卷第3期。8, pp. 1-12, 2014。视图:出版商的网站|谷歌学者
19. B. K. Wardani, N. E. Belinda, R. Rulaningtyas和E. Purwanti，“基于人工神经网络的灰色水平运行长度矩阵特征提取在糖尿病视网膜病变检测中的应用，2019第二届物理仪器与先进材料国际会议，印度尼西亚，2020年。视图:谷歌学者
20. M. M. Khansari, J. Zhang, Y. Qiao等，“基于变形的3D光学相干层析成像在糖尿病视网膜病变中的自动分析，”IEEE医学影像汇刊，第39卷，no。1, pp. 236-245, 2020。视图:出版商的网站|谷歌学者
21. D. Palani, K. Venkatalakshmi, A. Reshma Jabeen和V. M. Arun Bharath Ram，“利用改进的FCM和IWPSO从人类视网膜眼底图像中有效检测糖尿病视网膜病变”，载于2019年IEEE系统、计算、自动化和网络国际会议，ICSCAN印度电气和电子工程师学会，2019年。视图:谷歌学者
22. S. Dorosti, M. Fathi, S. J. Ghoushchi, M. Khakifirooz和M. Khazaeili，“基于模糊失效模式和效果分析的患者等待时间管理”，智能与模糊系统学报第38卷第3期。2，第2069-2080页，2020年。视图:出版商的网站|谷歌学者
23. H. Torabi Dashti, A. Masoudi-Nejad和F. Zare，“使用支持向量机在生物序列中寻找精确的和单独的ltr -逆转录转座子”，伊朗化学化学工程杂志(icjcce)第31卷第1期。2, pp. 111-116, 2012。视图:谷歌学者
24. Y. Ganjkhanlou, A. Bayandori Moghaddam, S. Hosseini, T. Nazari, A. Gazmeh, J. Badraghi，“图像分析在静电纺丝纳米纤维表征中的应用”，伊朗化学化学工程杂志(icjcce)，第33卷，no。2, pp. 37-45, 2014。视图:谷歌学者
25. S. Jafarzadeh Ghoushchi, M. Khazaeili, A. Amini和E. Osgooei，“基于分段线性价值函数和模糊最佳-最差方法的多准则可持续供应商选择”，智能与模糊系统学报，第37卷，no。2, pp. 2309-2325, 2019。视图:出版商的网站|谷歌学者
26. E. Kamari, A. A. Hajizadeh，和M. R. Kamali，“利用人工神经网络研究凝析气藏中轻烃气液平衡比的实验研究”，伊朗化学和化学工程杂志，第39卷，no。6, pp. 163-172, 2020。视图:谷歌学者
27. B. Kavitha和D. Sarala Thambavani，“河床砂对Cr(VI)， Ni(II)和Cu(II)离子吸附参数的人工神经网络优化，”伊朗化学和化学工程杂志，第39卷，no。5，第203-223页，2020年。视图:谷歌学者
28. H. A. Purwanithami, C. Atika Sari, E. H. Rachmawanto，和D. R. I. M. Setiadi，“基于神经网络和FCM分割的眼底图像的糖尿病视网膜病变检测”2020信息与通信技术应用国际研讨会(语义)， pp. 45-49, Institute of Electrical and Electronics Engineers Inc.。印度尼西亚,2020。视图:谷歌学者
29. “聚类数对模糊c均值算法在视网膜眼底图像血管分割中的分析效果”，论文发表于2019年信息与通信技术国际会议，第106-110页，印尼电气和电子工程师学会，2019年。视图:谷歌学者
30. A. Azari, M. shariati - niassar和M. Alborzi，“利用神经网络预测短期和中期天然气需求负荷”，伊朗化学化学工程杂志(icjcce)第31卷第1期。4, pp. 77-84, 2012。视图:谷歌学者
31. Z. Hosseini-Dastgerdi和S. Jafarzadeh-Ghoushchi，“响应面方法结合人工神经网络研究沥青质沉淀”，化学与石油工程学报， 2019卷，no。2, pp. 153-167, 2019。视图:谷歌学者
32. N. M. Ramli, M. a . Hussain, B. M. Jan和B. Abdullah，“利用人工神经网络在线预测脱硝塔的成分，”伊朗化学化学工程杂志(icjcce)第36卷第3期。2, pp. 153-174, 2017。视图:谷歌学者
33. R. Ranjbarzadeh, A. Bagherian Kasgari, S. Jafarzadeh Ghoushchi, S. Anari, M. Naseri，和M. Bendechache，“基于深度学习和使用MRI多模态脑图像的注意机制的脑肿瘤分割”，科学报告，第11卷，no。1, p. 10930, 2021。视图:出版商的网站|谷歌学者
34. S. Salem和S. Jafarzadeh-Ghoushchi，“结合人工神经网络和响应面方法估计纳米无机蓝色颜料的最佳理化特性”，化学计量学与智能实验室系统“，， vol. 159, pp. 80-88, 2016。视图:出版商的网站|谷歌学者
35. S. Anbazhagan, V. Thiruvengadam，和K. Kulanthai，“新型吸附剂在固定床柱法中吸附亚甲蓝的自适应神经模糊推理系统和人工神经网络建模，”伊朗化学和化学工程杂志，第39卷，no。6，第75-93页，2020年。视图:谷歌学者
36. S. Bandyopadhyay, S. Choudhury, S. K. Latib, D. K. Kole和C. Giri，“利用视网膜血管形态学分割的KNN分类器对糖尿病视网膜病变的分级”，在智能系统与计算进展，hlm， pp. 189-198，施普林格，Verlag, 2018。视图:谷歌学者
37. T. Vandarkuzhali和C. S. Ravichandran，“基于优化的改进FCM和支持向量机的ARMD疾病分类在视网膜图像中的中央凹区域检测”，国际生物医学工程与技术杂志，第32卷，no。1, pp. 83-107, 2020。视图:出版商的网站|谷歌学者
38. R. Ranjbarzadeh和S. B. Saadi，“基于凹和凸点的模糊c均值和均值移动聚类的自动肝脏和肿瘤分割，”测量，第150卷，第107086页，2020。视图:出版商的网站|谷歌学者
39. T. R. Gadekallu, N. Khare, S. Bhattacharya, S. Singh, P. K. R. Maddikunta和G. Srivastava，“深度神经网络预测糖尿病视网膜病变”，环境智能与人性化计算杂志，第1卷，第1 - 14页，2020。视图:出版商的网站|谷歌学者
40. M. K. Behera和S. Chakravarty，“基于支持向量机的糖尿病视网膜病变图像分类”，在2020国际计算机科学、工程与应用会议，ICCSEA 2020, hlm印度电气和电子工程师学会，2020年。视图:谷歌学者
41. N. Karimi, R. Ranjbarzadeh Kondrood和T. Alizadeh，“使用两种比较机器学习算法的金色漂白葡萄干质量测量智能系统”。测量:国际测量联合会杂志， vol. 107, pp. 68-76, 2017。视图:出版商的网站|谷歌学者
42. Y. Pourasad, R. Ranjbarzadeh和A. Mardani，“基于混沌理论的数字图像加密新算法”，熵第23卷第3期。3, p. 341, 2021。视图:出版商的网站|谷歌学者
43. R. Ranjbarzadeh, S. Baseri Saadi，和A. Amirabadi，“LNPSS:基于局部和非局部特征的SAR图像去噪，使用斑块形状选择和边缘连接，”测量，第164卷，第107989页，2020。视图:出版商的网站|谷歌学者
44. A. F. A. Fadzil, S. Ibrahim和N. E. A. Khalid，“基于wstack的面向对象区域生长的视网膜眼底图像血管分割”，第31-37页，施普林格。视图:谷歌学者
45. A. Hamzenejad, S. J. Ghoushchi, V. Baradaran和A. Mardani，“使用局部线性近似和广义自回归条件异方差模型的脑疾病分类和诊断的鲁棒算法”，数学第8卷第1期。8, p. 1268, 2020。视图:出版商的网站|谷歌学者
46. M. V. Maheswari和G. Murugeswari，“视网膜图像预处理和血管分割的计算机算法的调查”，在2020第五届创新计算技术国际会议论文集，ICICT, hlm，第403-408页，印度电气和电子工程师学会，2020年。视图:谷歌学者
47. 熊晓燕，“一种基于双Hausdorff对称度量的视网膜血管分割方法，”生物控制论与生物医学工程第36卷第3期。1, pp. 119-129, 2016。视图:出版商的网站|谷歌学者
48. E. Rodrigues, a . Conci，和P. Liatsis，“ELEMENT:基于耦合区域生长和机器学习方法的多模式视网膜血管分割，”IEEE生物医学和健康信息学杂志第24卷第4期。12, pp. 3507-3519, 2020。视图:出版商的网站|谷歌学者
49. N. D. Salih, M. D. Saleh, C. Eswaran和J. Abdullah，“基于fft模板匹配和区域增长技术的快速视盘分割”，生物力学和生物医学工程中的计算机方法:成像和可视化第6卷第1期。1, pp. 101-112, 2018。视图:出版商的网站|谷歌学者
50. R. Ranjbarzadeh和S. Baseri Saadi，“基于凹凸点的模糊c均值和均值移动聚类的自动肝脏和肿瘤分割”[Measurement 150(2020) 107086]的勘误表，”测量， vol. 151, p. 107230, 2020。视图:出版商的网站|谷歌学者
51. 黄宏，周s，蒋峰，G. Manogaran，“基于FCM聚类和粗糙集的脑图像分割”，IEEE访问第7卷，第12386-12396页，2019。视图:出版商的网站|谷歌学者
52. K. Soppari和N. S. Chandra，“基于改进鲸鱼优化的FCM聚类在图像水印中的发展”，计算机科学评论，第37卷，第100287页，2020。视图:出版商的网站|谷歌学者
53. N. Jothiaruna, K. Joseph Abraham Sundar和B. Karthikeyan，“综合颜色特征和区域增长中结合色度的疾病斑点图像分割方法”，农业中的计算机和电子， vol. 165, p. 104934, 2019。视图:出版商的网站|谷歌学者
54. D. Q. Zeebaree, H. Haron, A. M. Abdulazeez，和D. A. Zebari，“机器学习和区域生长在乳腺癌分割”，在2019年国际先进科学与工程会议，第88-93页，电气和电子工程师协会公司。伊拉克,2019年。视图:谷歌学者
55. M. Bendechache和M. T. Kechadi，“空间数据挖掘的分布式聚类算法”，于2015第二届IEEE空间数据挖掘与地理知识服务国际会议论文集，hlm， pp. 60-65，电气与电子工程师学会，中国，2015。视图:谷歌学者
56. M. Bendechache、M. T. Kechadi和N. A. Le-Khac，“基于数据分区的高效大规模聚类”，载于第三届IEEE数据科学与高级分析国际会议论文集，DSAA 2016, hlm， pp. 612-621，电气和电子工程师协会，加拿大，2016。视图:谷歌学者
57. M. Bendechache, A. K. Tari和M. T. Kechadi，“大空间数据挖掘的并行和分布式聚类框架”，国际并行、紧急与分布式系统杂志第34卷第4期。6, pp. 671-689, 2019。视图:出版商的网站|谷歌学者
58. R. Geetha Ramani和L. Balasubramanian，“利用图像处理和基于启发式聚类的视网膜自动筛查的黄斑分割和中央凹定位，”生物医学计算机方法与程序“，， vol. 160, pp. 153-163, 2018。视图:出版商的网站|谷歌学者
59. 夏宏，邓s，李敏，蒋峰，“基于聚类的斑块映射函数的视网膜血管分割”，中国2016 IEEE生物信息学和生物医学国际会议，BIBM， pp. 520-523, Institute of Electrical and Electronics Engineers Inc。中国,2017年。视图:谷歌学者
60. m . Bendechache面向空间数据挖掘的分布式动态聚类框架研究《都柏林大学学院学位论文》，爱尔兰，2019年http://oatd.org/oatd/record?record=handle%5C%3A10197%5C%2F10614．
61. R. Srinivasa Perumal和P. V. S. S. R. Chandra Mouli，“面向人脸识别的降维局部方向模式(DR-LDP)”，应用专家系统， vol. 63, pp. 66-73, 2016。视图:出版商的网站|谷歌学者
62. P. P. Sarangi, B. S. P. Mishra和S. Dehuri，“基于核的耳生物特征识别的PHOG和LDP局部描述符的融合”，多媒体工具及应用第78卷第1期。8, pp. 9595-9623, 2019。视图:出版商的网站|谷歌学者
63. T. Tuncer, S. Dogan和F. Ozyurt，“使用胸部x线图像的基于自动残差样本局部二值模式和迭代浮雕的COVID-19检测方法，”化学计量学与智能实验室系统“，，第203卷，第104054页，2020年。视图:出版商的网站|谷歌学者
64. 刘宏，翟锐，王赟，杨赟，“基于GA-PSO算法的蓄热PV-CSP集成系统优化研究”，太阳能， vol. 184, pp. 391-409, 2019。视图:出版商的网站|谷歌学者
65. H. Moayedi, M. Raftari, A. Sharifi, W. A. W. Jusoh，和A. S. A. Rashid，“基于GA和PSO估计的ANFIS优化。α打入桩比，”计算机工程第36卷第3期。1，第227-238页，2020年。视图:出版商的网站|谷歌学者
66. M. Shirmohammadi, S. J. Goushchi和P. M. Keshtiban，“基于混合人工神经网络模型和粒子群算法的3D打印工艺参数优化以最小化表面粗糙度，”增材制造技术进展第6卷第1期。2，第199-215页，2021年。视图:出版商的网站|谷歌学者
67. S. Zandevakili, M. R. Akhondi, R. Hosseini，和S. Mohammad，“利用Taguchi实验设计方法优化Sarcheshmeh铜精矿的浸出”，伊朗化学和化学工程杂志，第39卷，no。6, pp. 229-236, 2020。视图:谷歌学者
68. A. Khan, Z. u. Rehman, M. A. Jaffar等，“基于聚合聚类有效性指数(CVI)的遗传算法在彩色图像分割中的应用”，信号、图像和视频处理“，第13卷第1期。5, pp. 833-841, 2019。视图:出版商的网站|谷歌学者
69. L. Khrissi, N. El Akkad, H. Satori，和K. Satori，“基于K-means和遗传算法的图像分割”，载于智能系统与计算进展，hlm，第489-497页，施普林格，新加坡，2020年。视图:谷歌学者
70. F. Torres, B. Escalante-Ramirez, J. Olveres，和P. L. Yen，“使用机器学习方法和遗传优化的乳腺超声图像中的病变检测”，在模式识别与图像分析，页289-301，施普林格，湛，2019。视图:谷歌学者
71. R. Gholipour Peyvandi和S. Z. Islami Rad，“利用低成本和简单的技术:ANN精确预测多相分离设施中的材料界面分布”，伊朗化学和化学工程杂志，第39卷，no。5, pp. 285-291, 2020。视图:谷歌学者
72. H. Mirshahvalad, R. Ghasemiasl, N. Raufi和M. Malekzadeh Dirin，“精确预测化合物闪点的神经网络模型”，伊朗化学和化学工程杂志，第39卷，no。4，第297-304页，2020年。视图:谷歌学者
73. T. SELÇUK和A. ALKAN，“在早期诊断糖尿病视网膜病变中使用蚁群算法检测微动脉瘤”，医学假说， vol. 129, p. 109242, 2019。视图:出版商的网站|谷歌学者
74. A. T. Nair和K. Muthuvel，“血管分割和糖尿病视网膜病变识别:一种智能方法”，生物力学和生物医学工程中的计算机方法:成像和可视化第8卷第1期。2, pp. 169-181, 2020。视图:出版商的网站|谷歌学者
75. P. Siva Kalyani和G. Sasikala，“形态学分水岭方法用于糖尿病肾病的分析”，在电气工程课堂讲稿“，第547-554页，施普林格，新加坡，2021年。视图:出版商的网站|谷歌学者

betway赞助

betway赞助版权所有©2021 Saeid Jafarzadeh Ghoushchi等人。这是一篇开放获取的文章创作共用授权协议该法律允许在任何媒体上不受限制地使用、分发和复制，前提是必须正确引用原著。