Retinal blood vessels have a significant role in the diagnosis and treatment of various retinal diseases such as diabetic retinopathy, glaucoma, arteriosclerosis, and hypertension. For this reason, retinal vasculature extraction is important in order to help specialists for the diagnosis and treatment of systematic diseases. In this paper, a novel approach is developed to extract retinal blood vessel network. Our method comprises four stages: (1) preprocessing stage in order to prepare dataset for segmentation; (2) an enhancement procedure including Gabor, Frangi, and Gauss filters obtained separately before a top-hat transform; (3) a hard and soft clustering stage which includes K-means and Fuzzy C-means (FCM) in order to get binary vessel map; and (4) a postprocessing step which removes falsely segmented isolated regions. The method is tested on color retinal images obtained from STARE and DRIVE databases which are available online. As a result, Gabor filter followed by K-means clustering method achieves 95.94% and 95.71% of accuracy for STARE and DRIVE databases, respectively, which are acceptable for diagnosis systems.
Özetçe -Medikal görüntüleri kullanan Bilgisayar Destekli Tanı (BDT) sistemleri son yıllarda oldukça geniş bir kullanım alanına erişmiştir. Retinal fundus görüntülerden çıkarılan kan damarları da sistematik bazı hastalıkların teshis ve tedavisinde önemli öznitelikler sunmaktadırlar. Kan damarlarındaki dallanma, çaprazgeçiş noktaları gibi öznitelikler görüntü çakıştırma uygulamalarında oldukça fazla kullanılmaktadır. Çalışmada ikili retinal damar görüntüleri kullanılarak görüntü çakıştırma işlemi gerçekleştirilmektedir.İlk olarak damar inceltme işlemi ile kan damarlarının iskeleti çıkarılmaktadır. Daha sonra görüntü çakıştırma işleminde kullanılacak öznitelik noktaları belirlenmektedir. Son olarak tek bir retinal damar agını temsil edecek karakteristik matris çıkarılmaktadır. Döndürülmüş, ötelenmiş ve ölçeklenmiş ikinci bir retinal damar görüntüsü üzerinde de aynı işlemler gerçekleştirilmektedir. Buşekilde aynı retinaya ait iki farklı ikili damar görüntüsü karşılaştırılarak eşleşen noktalar belirlenmekte ve görüntü çakıştırma işlemi gerçekleştirilmektedir.Anahtar Kelimeler-retinal kan damarları, görüntü çakıştırma, dallanma noktaları, çapraz geçiş noktaları, inceltme, graf Abstract-Computer Aided Diagnosis (CADx) systems have been reached to a large usuage area in recent years. Blood vessels extracted from retinal fundus images provide us important features for diagnosis and treatment of some systematic diseases. These features such as bifurcation and crossover points are mostly used in image registration applications. In this paper, an image registration study is performed by using binary retinal vessel map. Firstly, a thinnig operation is performed in order to obtain skeletonized vessel image. Then feature points like bifurcations and crossovers are extracted in order to use for image registration. Lastly, a characteristic matrix is extracted to represent the retinal vessel network. Similar operations are performed on a second rotated, translated and scaled retinal vessel network image. By this way, two retinal vessel network images belong to the same person are compared and each feature points are paired with each others in order to develope an image registration process.
Ozetce I,aret dilinin ,czumlenmesi karmapsik hesapsal sure,leri i,ermekte ses i,leme, goruntu i,leme, oruntu tanima, dogal dil i,leme gibi degi,ik alanlarl kapsamaktadzr. I,aretin ve sesin taninmasinda gerekli olan bu sure,ler, insan-bilgisayar etkile,iminin geli,mesinde onemli rol oynamaktadzr. Bu makalede insan konu,masinin taninmasinda goruntu bilgilerinden faydalanilarak bilgisayarli dudak okuma uzerinde durulmaktadzr. Dudak bolgesinin bulunmasi, dudak hareketlerinin takibi ve bilgisayarli dudak okuma i,in gerekli ozelliklerin elde edilmesi ile ilgili yaklapsimlar 6nerilmektedir. AbstractThe analysis of sign language covers different areas such as audio and image processing, pattern recognition, natural language processing that require complex computational processing. These processes required recognizing the sign and audio, plays an important role in development of humancomputer interaction. In this paper we focused on automatic lipreading by utilizing visual information in speech recognition. Some approaches aboutfinding lip area, tracking lip contours and obtaining required features about automatic lipreading are suggested.
Özetçe -İnsan vücudunda gelişen diyabet gibi bazı hastalıklar retinada oluşan bazı yapısal bozuklukluklarla kendini göstermektedir. Gelişen bilgisayarlı teknikler sayesinde retina görüntülerinde hastalıkların teşhisi ve ön tanı kolaylıkla yapılabilmektedir. Retina görüntülerinde damar bölütleme işlemi, teşhis ve ön tanı için önemli bir aşamadır. Bu çalışmada renkli retinal fundus görüntülerde damar bölütleme işlemi gerçekleştirilmektedir.İlk olarak retinal fundus görüntüler ön işleme tabi tutulur. Daha sonra damar belirginleştirme için çok ölçekli Frangi süzgeci uygulanır. Frangi süzgeç çıktısı, Bulanık C-ortalama kümeleme yöntemi ile siyah-beyaz damar görüntüsüne dönüştürülür. Son olarak izole pikseller lenir ve prformans arttırmak amacıyla damarlar arasındaki boşluklar doldurulur. Performans degerlendirmesi için internet üzerinde halka açık olarak sunulan STARE ve DRIVE veritabanları kullanılmıştır. Sonuç olarak STARE veritabanı için %95.69 ve DRIVE veritabanı için %95.38 dogruluk degerleri elde edilmiştir.Anahtar Kelimeler-çok ölçekli damar bölütleme, retinal fundus görüntü, bulanık C-ortalama, görüntü iyileştirme, frangi süzgeci.Abstract-Some diseases in human body such as diabet could be affect the morphology of the retina. The diagnosis and treatment of these diseases can be made easily by improved computerized techniques. Retinal blood vessel segmentation phase is an important step for diagnosis and treatment. Blood vessel segmentation in color retinal fundus images is employeed in this paper. First, a preprocessing step is performed and then multiscale Frangi filter is applied in order to enhance blood vessels. Afterwards Fuzzy C-means clustering method is used to obtain binary vessel image. Finally, a postprocessing step is performed to increase performance. We use two publicly available retinal fundus image databases STARE and DRIVE to measure the performance of the system. As a result we get 95.95% of accuracy for STARE database and 95.95% of accuracy for DRIVE database.Keywords-multiscale vessel segmentation, retinal fundus image, clustering, Fuzzy C-means clustering, image enhancement, frangi filter. I. GİRİŞInsan vücudunda seyreden diyabet gibi bazı hastalıkların belirtileri retina üzerinde meydana gelen bazı yapısal bozukluklarla anlaşılabilmektedir. Retinal fundus görüntülerin gelişen bilgisayarlı teknikler sayesinde incelenmesi otomatik teşhis ve tanı sistemleri için oldukça önemlidir. Kan damarları, en önemli retinal yapılardandır. Retinal kan damarlarındaki kanamalar, daralmalar ya da genişlemeler retinal hastalıklar hakkında bilgiler içerdiginden retinal kan damarı bölütleme işlemi, geliştirilecek otomatik tanı ve teşhis sisteminde ilk ve en önemli aşamadır [1], [2]. Kan damarı bölütleme amacıyla literatürde çeşitli çalışmalar yapılmıştır. Bu çalışmalar genel olarak iki kategoriye ayrılmaktadırlar [3]. Birinci grup çalışmalar kural tabanlı olarak isimlendirilmektedir ve bir takım ön işlemden sonra damar iyileştirmesi için uyum süzgeci [1], [2], [4], matematiksel morfoloji [5], damar izleme [6...
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.