Support vector machine classification of fundus eye images for glaucoma diagnostig

• Autorzy: Stąpor K. , Bruckner A.

Warianty tytułu

PL

Klasyfikacja obrazów dna oka oparta na maszynach wektorów podpierających dla diagnostyki jaskry

• Języki publikacji: EN

Abstrakty

EN

In this paper the new method for automatic segmentation of fundus eye images are proposed: one for the detection of microaneurysms, the second for the detection of blood vessels. Both rely on tools from mathematical, grayscale morphology. The proposed method can be integrated in a tool for diagnosis of diabetic retinopathy which is under development.

PL

W artykule przedstawiono nowe metody automatycznej segmentacji obrazów dna oka pozyskanych z funduskamery: jedna dla detekcji mikroaneurazymów, druga dla naczyń krwionośnych na siatkówce oka. Metoda detekcji mikroaneurazymów składa się z następujących kroków: 1) przetwarzanie wstępne, 2) detekcja markerów dla transformaty wodnej, 3) transformata wodna, 4) klasyfikacja. W celu automatycznej detekcji markerów wewnętrznych dla transformaty wodnej zdefiniowano nowe przekształcenie trafi-nie-trafi w morfologii wieloodcieniowej. Uzyskana średnia sprawność metody wynosi 89,4% i jest wyższa od wyników uzyskanych w metodach poprzednich (84%). Metoda detekcji naczyń krwionośnych składa się z następujących kroków: 1) lokalna poprawa kontrastu, 2) odszumianie, 3) detekcja naczyń, 4)klasyfikacja. W celu odszumienia zastosowano operacje złożone ze specjalnie zaprojektowanych operacji dylatacji i erozji wieloodcieniowej. Sama detekcja naczyń wykorzystuje operację czubek-kapelusza. Opracowane algorytmy detekcji stanowić będą podstawowe moduły systemu komputerowego wspomagającego diagnozowanie jak również monitorowanie tej retinopatii cukrzycowej.

Słowa kluczowe

EN

MLP classification; glaucoma

• Wydawca: Instytut Informatyki Teoretycznej i Stosowanej Polskiej Akademii Nauk
• Czasopismo: Archiwum Informatyki Teoretycznej i Stosowanej
• Rocznik: 2004
• Tom: T. 16, z. 4
• Strony: 245--255
• Opis fizyczny: Bibliogr. poz. 13, rys.

Twórcy

autor

Stąpor K.

• Politechnika Śląska, Instytut Informatyki, 44-100 Gliwice, ul. Akademicka 16

autor

Bruckner A.

• Uniwersytet Śląski, Instytut Matematyki, 40-007 Katowice, ul. Bankowa 14

Bibliografia

• [1]Arabas J.: Lectures on genetic algorithms.WNT. Warsaw. 2001.
• [2]Bezdek J. C.: Pattern recognition with fuzzy objective function algorithms.Plenum Press. New York. 1982.
• [3]Bishop C. M.: Neural networks for pattern recognition. Clarendon Press Oxford, 1995.
• [4]Fletcher R .: Practical methods of optimization. Wiley-Interscience, Chichester, 1987.
• [5]Gonzalez R.C., Woods R.E.: Digital image processing. Prentice-Hall, 2002.
• [6]Guyon I. et al: Structural risk minimization for character recognition. Advances in Neural Information Processing Systems, Nr 4, 471-479, 1992.
• [7]Kanski J. et al. Glaucoma: a color manual of diagnosis and treatment. Butterworth-Heinemann, 1996.
• [8]Metz M.: Basic principles of ROC analysis. Seminars in Nuclear Medicine, vol. Ill, nr 4, 283-298, 1978.
• [9]Mueller K. R. et al.: An introduction to kernel-based learning algorithms, IEEE Trans. Neural Networks, v.12, Nr 2, 181-201.2001.
• [10]Stąpor K, Bruckner A.: Segmentation of fundus eye images using fuzzy clustering for supporting glaucoma diagnosing. Studia Informática, submitted for publication.
• [11]Stąpor K. et al.: Genetic feature subset selection for classification of eye-cup region in fundus eye images. Studia Informática, v.24. Nr 4, pp.332-344, 2003.
• [12]Stąpor K. et al.: Automatic analysis of fundus eye images for detection of glaucomatous changes. Archives of Theoretical and Applied Computer Science, V.15, Nr 2, 169-184, 2003.
• [13Vapnik V.: The nature of statistical learning theory. Springer Verlag, New York, 1995.