Classification of fundus eye images using support vector machines for supporting glaucoma diagnosis

• Autorzy: Stąpor K. , Brueckner A.

Warianty tytułu

PL

Klasyfikacja obrazów dna oka za pomocą maszyn wektorów podpierających dla wspomagania diagnozowania jaskry

• Języki publikacji: EN

Abstrakty

EN

In this paper the new method for automatic classification of fundus eye images into normal and glaucomatous ones is proposed. The cup region is automatically segmented from fundus eye images taken from classical fundus camera. The proposed method makes use of support vector machines classifier with Gaussian kernel. The mean sensitivity is 85 %, while specificity 90%.

PL

W artykule przedstawiono nową metodę automatycznej klasyfikacji cyfrowych obrazów dna oka na normalne i jaskrowe. Obszar wnęki naczyniowej zostaje automatycznie wysegmentowany na obrazie dna oka pozyskanego z klasycznej funduskamery. Zaproponowana metoda klasyfikacji wykorzystuje maszyny wektorów podpierających z jądrem Gaussowskim. Średnia czułość metody wynosi 85%, a specyficzność 90%.

Słowa kluczowe

EN

SVM classification; MLP classification; glaucoma

PL

klasyfikacja SVM; klasyfikacja MLP; jaskra

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Studia Informatica
• Rocznik: 2004
• Tom: Vol. 25, nr 3
• Strony: 49--59
• Opis fizyczny: Bibliogr. 12 poz., rys.

Twórcy

autor

Stąpor K.

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

autor

Brueckner A.

• Uniwersytet Śląski, Instytut Matematyki

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 4,1992,471-479.
• 7. Kański 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, 1978,283-298.
• 9. Mueller K. R. et al.: An introduction to kernel-based learning algorithms, IEEE Trans. Neural Networks, v.12, Nr 2,2001,181-201.
• 10. Stąpor K, Brueckner A.: Segmentation of fundus eye images using fuzzy clustering for supporting glaucoma diagnosing. Studia Informatica, submitted for publication.
• 11. Stąpor K. et al.: Genetic feature subset selection for classification of eye-cup region in fundus eye images. Studia Informatica, v. 24, Nr 4, 2003,332-344.
• 12. Vapnik V.: The nature of statistical learning theory. Springer Verlag, New York 1995.