Fourier cross-sectional profile for vessel detection on retinal images

Zhu, Tao

doi:10.1016/j.compmedimag.2009.09.004

Cited by 34 publications

(24 citation statements)

References 37 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Once the profile has been modeled, a phase alignment function based on data obtained from oriented log-Gabor wavelet was applied. After boundary area map of retinal vascular structure has been produced, cross-sections were extracted by following an approach was proposed by same author in [95].…”

Section: Kernel-based Techniquesmentioning

confidence: 99%

Retinal Vessels Segmentation Techniques and Algorithms: A Survey

Almotiri

Elleithy

2018

Applied Sciences

View full text Add to dashboard Cite

Abstract:Retinal vessels identification and localization aim to separate the different retinal vasculature structure tissues, either wide or narrow ones, from the fundus image background and other retinal anatomical structures such as optic disc, macula, and abnormal lesions. Retinal vessels identification studies are attracting more and more attention in recent years due to non-invasive fundus imaging and the crucial information contained in vasculature structure which is helpful for the detection and diagnosis of a variety of retinal pathologies included but not limited to: Diabetic Retinopathy (DR), glaucoma, hypertension, and Age-related Macular Degeneration (AMD). With the development of almost two decades, the innovative approaches applying computer-aided techniques for segmenting retinal vessels are becoming more and more crucial and coming closer to routine clinical applications. The purpose of this paper is to provide a comprehensive overview for retinal vessels segmentation techniques. Firstly, a brief introduction to retinal fundus photography and imaging modalities of retinal images is given. Then, the preprocessing operations and the state of the art methods of retinal vessels identification are introduced. Moreover, the evaluation and validation of the results of retinal vessels segmentation are discussed. Finally, an objective assessment is presented and future developments and trends are addressed for retinal vessels identification techniques.

show abstract

Section: Kernel-based Techniquesmentioning

confidence: 99%

Retinal Vessels Segmentation Techniques and Algorithms: A Survey

Almotiri

Elleithy

2018

Applied Sciences

View full text Add to dashboard Cite

show abstract

“…Zhu [113] предложил универсальное представле-ние поперечного профиля сосудов в Фурье-области с помощью подобия фаз. Входящее изображение пре-образуется при помощи набора из 24 фильтров Габо-ра, покрывающих 6 пространственных направлений и имеющих по 4 масштаба в каждом из них.…”

Section: методы сегментации (г)unclassified

Methods for digital analysis of human vascular system. Literature review

Ильясова¹

2013

Computer Optics

View full text Add to dashboard Cite

Аннотация В статье представлен обзор основных подходов к цифровому анализу изображений со-судистых систем человека. Выделены основные этапы обработки диагностических изобра-жений, проведён анализ различных подходов к выделению и количественному оцениванию морфологических признаков сосудов.Ключевые слова: сосудистая система человека, обработка изображений.Введение Компьютерный анализ изображений стал основ-ным инструментом медицинских диагностических систем, позволяющих существенно повысить качест-во диагностики. Современная медицина является од-ной из самых высокотехнологичных отраслей, важ-нейшей задачей которой является разработка новых эффективных методик ранней диагностики различ-ных патологий. Несколько последних десятилетий характеризуются значительным прорывом в области технической оснащённости медицины. В настоящее время практически все методы обследования в оф-тальмологии, кардиологии и др. областях медицины компьютеризированы.Что касается офтальмологии, с появлением цифро-вых фундус-камер, а затем лазерных сканирующих оф-тальмоскопов изображение глазного дна можно полу-чить и распечатать в считанные секунды. Цифровые фо-тографии сетчатки обширно используются в масштаб-ных исследованиях, направленных на выявление глау-комы, диабетической ретинопатии, возрастной деграда-ции макулы и кардиососудистых заболеваний. Изобра-жение глазного дна человека хранит в себе информацию о сосудистых, офтальмологических и даже системных заболеваниях, таких как диабет, гипертония, артерио-склероз. Помимо использования в крупных программах мониторинга, цифровой анализ изображений сосуди-стой системы способен помочь в оценке степени тяже-сти диабетической ретинопатии [1], возрастной ретино-патии [2], ретинопатии недоношенных [3]; обнаружении фовеальной аваскулярной области [4], сужения арте-риол [5]; измерении диаметра в рамках диагностики ги-пертонии [6], для определения связей между извитостью сосудов и гипертонической ретинопатией [7], раннего обнаружения таких заболеваний, как дистрофия зри-тельного нерва, отслоение сетчатки. Анализ взаимосвя-зей между изменениями характеристик сосудов и раз-личными заболеваниями способствует своевременному выявлению и лечению заболеваний ещё на ранних ста-диях. Автоматизированный анализ также находит при-менение в компьютерной лазерной хирургии и биомет-рической идентификации [8].С развитием биомедицинской информатики, систем анализа и обработки изображений стали появляться по-луавтоматические, а позже и полностью автоматизиро-ванные компьютерные системы распознавания и коли-чественного анализа микрососудистых изменений.Создание методики цифрового анализа сосуди-стых систем (СС) невозможно без решения ряда за-дач: распознавание сосудов на цифровых изображе-ниях, выбор методологии анализа сосудов и матема-тической модели сосудистого русла для последую-щих расчётов, определение нормативных значений для диагностических параметров.Распознавание сосудов и определение их морфо-логических признаков -ключевые этапы автоматизи-рованных методик диагностического анализа СС, по-скольку от точности...

show abstract

“…A regional maximum possible place (LMR)., of a grayscale (intensity) picture is a connected factor of p with a given ongoing durability value, such that every close by pixel of the place has a completely decreased durability. To evaluate the encompassing of only one maximum possible pixel in a MA applicant place, the durability concepts along unique range sections of different orientations, whose main pixel is the applicant pixel, are recorded [9] [11]. On the obtained cross-section details we perform a the best possible recognition phase.…”

Section: Implementation Procedures Of Rcspamentioning

confidence: 99%

Automatic Detection Micro Aneurysms based on Cluster Ensemble Process

D¹,

Schult²

2017

IJARCSSE

View full text Add to dashboard Cite

The recognition of MAs is an important stage in the research and rating of affected by diabetic issues retinopathy. Research of online cross-section information depending on the local maximum possible p of the preprocessed picture in micro-aneurysms recognition in retinal images. The mathematical actions of these features concepts as the positioning of the cross-section changes signify the operate set that is used in a naïve Bayer's classification to eliminate unnecessary candidates. In this papers we present clustering way to recognize the micro aneurysms from the optic hard drive and cup in the retinal fundus images. Unclear C-Means (FCM) Clustering is used for clustering the details in which the details aspects are arranged with different account level. The first and major stage is preprocessing operate, in which the optic cup and difficult generate drive of the reviews picture is being converted. Initially the optic difficult generate drive is converted in some position and the range between the details aspects is measured and a team is established depending on the centroid. The centroid and details factor along with the team can be identified in each stage then the common set of aspects is arranged together. This process keeps on until no more centroid is found. The team with more details aspects that do not organize with the unique picture is considered as the retinal picture with microanyrism sickness. The trial results decide efficient and accurate finding microanyrism in retinal images with great opportunities in picture pixel rotating.Index Terms: Fuzzy C Means Clustering, Spatial Information, Fundus Image, Biomedical image processing, image classification, pattern recognition, medical decision-making. I. INTRODUCTIONThe treatment of affected by struggling from diabetes issues macular hydropsy (DME) has progressed over time with healthcare and medications progressively being considered and used, moreover to conventional retinal laser system device photocoagulation. Diabetic retinopathy (DR) is one of the problems of affected by diabetes issues which makes in most of the patients with historical sickness, and the top cause of loss of vision in the western world. Effective therapies for DR are available, though it needs starting analysis and the ongoing tracking of diabetes patients. Appropriate DR is performed by the assessment of retinal (fundus) pictures. Information ranking of these pictures to determine the level of DR is rather gradually and source challenging [1]. The lifestyle of small aneurysms (MAs) on the retina is the first and most feature sign of this sickness. the problem of automated retinal MA recognition, and suggest a way for this process, which became incredibly competitive with most of the state-of-the-art ones, based on the results of an start online opponents. The recognition of MAs is important in the process of DR ranking, since it kinds the factors for identifying whether an image of a patient"s eye should be considered more healthy or not. Therefore, it is not awesome...

show abstract

Fourier cross-sectional profile for vessel detection on retinal images

Cited by 34 publications

References 37 publications

Retinal Vessels Segmentation Techniques and Algorithms: A Survey

Retinal Vessels Segmentation Techniques and Algorithms: A Survey

Methods for digital analysis of human vascular system. Literature review

Automatic Detection Micro Aneurysms based on Cluster Ensemble Process

Contact Info

Product

Resources

About