Thesis (M.Sc.)-Cairo University, 2023.

Bibliography: pages 73-81.

Glaucoma is the second reason disease of causing silent blindness gradually, while glaucoma begins with no symptoms then continue in progression in silent way as chronic disease while the most important issue that it can’t be cured or treated but only treatment can slow down its progression speed, on the other hand it is difficult for doctors to know or diagnose glaucoma directly but it needs special equipment only presents in tertiary hospitals. So, it is very important and critical issue to use computer technology for improving an automated system that can accurately screens and diagnoses glaucoma in suitable time to prevent and slow its progression in early stages.
It is big challenge to propose an enhanced approach of automated glaucoma diagnosis in fundus retinal images based on computing the cup-disc ratio (CDR), but that needs high performance approach which is must be able to overflow the many difficulties in retinal images like interference between optic disc OD and optic cup OC, to the point where two experts will not agree on one segmentation, so accurately segmentation of optic disc (OD) and optic cup (OC) is main objective.
This thesis proposes an automated approach based on supervised machine learning method and feature selection algorithms in order to get the best performance, we use superpixel algorithm beside applying feature selection algorithm, we apply linear SVM classifier to classify each superpixel in the fundus retinal image into optic disc (OD), optic cup (OC) or background, finally compute the cup-disc ratio CDR to indicate and measure the risk of glaucoma disease.
Our proposed contribution is utilization of superpixel algorithm and linear support vector machine (SVM) classifier to get high accuracy since we have big amount of features dimensionality, then we improve the approach by applying feature selection algorithms to get the benefits of reducing data dimensionality without loss in significant features, therefore, we can reduce the elapsed time of computation with keeping the best accuracy and performance in the same time.
We implemented our proposed approach on two phases, phase 1 implementation doesn’t use feature selection methods which get accuracy 99.2% , mean cup-disc ratio error (CDR-error) 0.08 and execution time 404 seconds, and phase 2 uses feature selection methods which get accuracy 98.5%, mean cup-disc ratio error (CDR-error) 0.11 and execution time is 234 seconds, so we are able to reduce the execution time by 42% without losing the good performance and accuracy, whereas the accuracy performance approximately loses only 0.007%.

مرض الجلوكوما أو المياه الزرقاء هو المتسبب الثاني في فقدان البصر والعمى عالميا، ويبدأ مرض الجلوكوما بدون أعراض ويدمر العصب البصري ويستمر في التقدم بطريقة صامتة ثم تظهر الأعراض عندما يصل المرض لمرحلة متأخرة وهو مرض مزمن وأهم مشكلة هنا أنه لا يمكن علاجه ولكن العلاج فقط يكون من أجل إبطاء تقدمه السريع ، ومن ناحية أخرى ، فإنه من الصعب على الأطباء معرفة أو تشخيص الجلوكوما بشكل مباشر لأن التشخيص يحتاج إلى أجهزة خاصة توجد فقط في المستشفيات المتخصصة. لذلك، فمن الضروري استخدام التكنولوجيا والذكاء الاصطناعي في الكمبيوتر لتحسين نظام آلي لديه القدرة على فحص صور شبكية العين وتشخيص الجلوكوما بدقة عالية وذلك في الوقت المناسب قبل تقدم المر ض وفقدان البصر.
إنه تحد كبير لاقتراح نهج محسن ونظام آلي لتشخيص الجلوكوما في صور قاع الشبكية على أساس حساب النسبة بين ارتفاع كلا من القرص البصري او ما يعرف برأس العصب البصري والكأس البصري، ولكن هذا يحتاج إلى نهج عالي الأداء والذي يجب أن يكون قادرًا على تجاوز العديد من الصعوبات في صور الشبكية مثل التداخل بين القرص البصري و الكأس البصري، وفي هذا التداخل لا يتفق خبيران على تقسيم واحد وقد لا يتفقان على نفس التحديد، لذا فإن التقسيم الدقيق وتحديد القرص البصري (OD) والكوب البصري (OC) هو الهدف الرئيسي.
تقترح هذه الرسالة نهجًا آليًا يعتمد على طريقة التعلم الآلي الخاضعة للإشراف وخوارزميات اختيار الميزات من أجل الحصول على أفضل أداء ، نستخدم خوارزمية السوبربكسل إلى جانب تطبيق خوارزمية اختيار الميزات ، ونطبق المصنف المسمى بآلة الدعم الخطي SVM لتصنيف كل سوبربكسل إذا ما كان جزء من القرص البصري OD أو الكأس البصري OC أو الخلفية ليتم تحديد نطاق القرص البصري ونطاق الكأس البصري ، أخيرًا يتم حساب النسبة بين ارتفاع كلا من القرص البصري والكأس البصري CDR وهذه النسبة هي المؤشر إلى وجود الإصابة بمرض الجلوكوما وقياس مدى تقدمها.
ومن خلال تطبيق خوارزميات اختيار الميزات فإنه بإمكاننا تقليل أبعاد البيانات وأيضا حذف الميزات المتكررة ، مما يساعدنا على تقليل الوقت اللازم مع الحفاظ على أفضل دقة وأعلى آداء في نفس الوقت.
قمنا بتنفيذ نهجنا المقترح على مرحلتين، في المرحلة الأولى نتجاهل خطوة اختيار الميزات وفيها حصلنا على نتائج عالية الدقة حيث الدقة 99.2٪ ، ومتوسط خطأ 0.08 وكان وقت التنفيذ 404 ثانية ، وفي المرحلة الثانية طبقنا اختيار الميزات وفيها حصلنا على دقة 98.5٪ ، ومتوسط خطأ 0.11 ووقت التنفيذ 234 ثانية ، لذلك فقد استطعنا تشخيص المرض بدقة عالية في المرحلة الأولى وأيضا في المرحلة الثانية استطعنا الحصول على دقة عالية أيضا 98.5% وكان وقت التنفيذ أقل بنسبة 42٪ دون أن نفقد الأداء الجيد والدقة ، حيث الفارق بين الدقة في المرحلة الأولى والثانية 0.007٪ تقريبًا

Issues also as CD.

Text in English and abstract in Arabic & English.