Impairment to macula can cause loss of central vision. There are various macular disorders that can affect macular region and if not treated at an early stage can cause irreversible central vision loss. Age‐related macular degeneration (AMD) disorder is one of the most threading macular disorder. Bright lesion, drusens presence in macular region is known as the hallmark of AMD disorder. This bright lesion differentiation from other bright lesion like exudates is important for accurate diagnosis of AMD. Focus of this article is automated diagnosis of affected macular region by applying a hybrid features set containing textural, color, and structural/shape features for more accurate detection of AMD at an early stage using fundus images. These features also help to distinguish drusens from exudates. The proposed algorithm at first stage, detect macular region from input fundus image and then perform features extraction based on textural pattern, edge, and structural properties of macular region to classify abnormal macula from normal macula. For classification, we have used support vector machine (SVM), K‐nearest neighbor and neural networks but SVM classifier achieves high accuracy. The proposed algorithm is tested on publicly available STARE and locally available AFIO datasets. Attained sensitivity, specificity, and accuracy of our proposed system are 97.5%, 95% and 95.45%, respectively, when applied on STARE dataset. When we have applied our proposed system on AFIO dataset, we have attained sensitivity, specificity, and accuracy of 93.3%, 92% and 92.34%, respectively.

中文翻译：

---

使用眼底图像的混合特征对年龄相关性黄斑变性的自动诊断系统

黄斑受损可导致中心视力丧失。有多种黄斑疾病可影响黄斑区域，如果不及早治疗可能会导致不可逆的中心视力丧失。年龄相关性黄斑变性（AMD）病是最易患的黄斑疾病之一。在黄斑区存在明亮的病变，玻璃膜疣被称为AMD疾病的标志。与其他明亮病变（如渗出液）的这种明亮病变的区别对于AMD的准确诊断非常重要。本文的重点是通过应用包含纹理，颜色和结构/形状特征的混合特征集来自动诊断受影响的黄斑区，以便在早期使用眼底图像更准确地检测AMD。这些功能还有助于区分玻璃疣和渗出液。在第一阶段提出的算法 从输入的眼底图像中检测黄斑区域，然后基于纹理图案，边缘和黄斑区域的结构特性进行特征提取，以将正常黄斑分类为异常黄斑。对于分类，我们使用了支持向量机（SVM），K近邻和神经网络，但SVM分类器可实现较高的准确性。该算法在公开的STARE和本地的AFIO数据集上进行了测试。当应用于STARE数据集时，我们提出的系统获得的灵敏度，特异性和准确性分别为97.5％，95％和95.45％。当我们将所提出的系统应用于AFIO数据集时，我们分别获得了93.3％，92％和92.34％的灵敏度，特异性和准确性。黄斑区的结构和结构特性，将异常黄斑从正常黄斑分类。对于分类，我们使用了支持向量机（SVM），K近邻和神经网络，但SVM分类器可实现较高的准确性。该算法在公开的STARE和本地的AFIO数据集上进行了测试。当应用于STARE数据集时，我们提出的系统获得的灵敏度，特异性和准确性分别为97.5％，95％和95.45％。当我们将所提出的系统应用于AFIO数据集时，我们分别获得了93.3％，92％和92.34％的灵敏度，特异性和准确性。黄斑区的结构和结构特性，将异常黄斑从正常黄斑分类。对于分类，我们使用了支持向量机（SVM），K近邻和神经网络，但SVM分类器可实现较高的准确性。该算法在公开的STARE和本地的AFIO数据集上进行了测试。当应用于STARE数据集时，我们提出的系统获得的灵敏度，特异性和准确性分别为97.5％，95％和95.45％。当我们将所提出的系统应用于AFIO数据集时，我们分别获得了93.3％，92％和92.34％的灵敏度，特异性和准确性。该算法在公开的STARE和本地的AFIO数据集上进行了测试。当应用于STARE数据集时，我们提出的系统获得的灵敏度，特异性和准确性分别为97.5％，95％和95.45％。当我们将提出的系统应用于AFIO数据集时，我们分别获得了93.3％，92％和92.34％的灵敏度，特异性和准确性。该算法在公开的STARE和本地的AFIO数据集上进行了测试。当应用于STARE数据集时，我们提出的系统获得的灵敏度，特异性和准确性分别为97.5％，95％和95.45％。当我们将所提出的系统应用于AFIO数据集时，我们分别获得了93.3％，92％和92.34％的灵敏度，特异性和准确性。