Mask Overlaying: a Deep Learning Approach for Individual Optic Cup Segmentation from Fundus Image

Lima, Arthur Azevedo; Araújo, Alana C. de Carvalho; Lima, Alan Carlos de Moura; Sousa, Jefferson Alves de; Almeida, João Dallyson Sousa de; Paiva, Anselmo Cardoso de; Bráz, Geraldo

doi:10.1109/iwssip48289.2020.9145459

Cited by 2 publications

(2 citation statements)

References 20 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…All three models achieved AUCs of 0.88, 0.77, and 0.97 in detecting glaucoma. Lima et al developed a CNN model for the optic cup segmentation for the detection of glaucoma [47]. The modified U-Net architecture segmented the optic cup from the green channel image, and the optic disc mask was given as input.…”

Section: Literature Reviewmentioning

confidence: 99%

Automatic Diagnosis of Glaucoma from Retinal Images Using Deep Learning Approach

et al. 2023

View full text Add to dashboard Cite

Glaucoma is characterized by increased intraocular pressure and damage to the optic nerve, which may result in irreversible blindness. The drastic effects of this disease can be avoided if it is detected at an early stage. However, the condition is frequently detected at an advanced stage in the elderly population. Therefore, early-stage detection may save patients from irreversible vision loss. The manual assessment of glaucoma by ophthalmologists includes various skill-oriented, costly, and time-consuming methods. Several techniques are in experimental stages to detect early-stage glaucoma, but a definite diagnostic technique remains elusive. We present an automatic method based on deep learning that can detect early-stage glaucoma with very high accuracy. The detection technique involves the identification of patterns from the retinal images that are often overlooked by clinicians. The proposed approach uses the gray channels of fundus images and applies the data augmentation technique to create a large dataset of versatile fundus images to train the convolutional neural network model. Using the ResNet-50 architecture, the proposed approach achieved excellent results for detecting glaucoma on the G1020, RIM-ONE, ORIGA, and DRISHTI-GS datasets. We obtained a detection accuracy of 98.48%, a sensitivity of 99.30%, a specificity of 96.52%, an AUC of 97%, and an F1-score of 98% by using the proposed model on the G1020 dataset. The proposed model may help clinicians to diagnose early-stage glaucoma with very high accuracy for timely interventions.

show abstract

Section: Literature Reviewmentioning

confidence: 99%

Automatic Diagnosis of Glaucoma from Retinal Images Using Deep Learning Approach

et al. 2023

View full text Add to dashboard Cite

show abstract

“…A segmentac ¸ão da escavac ¸ão e do disco óptico pode se provar uma tarefa desafiadora até mesmo para redes neurais mais refinadas, especialmente a da escavac ¸ão óptica devido ao tamanho, tonalidade e a presenc ¸a de vasos sanguíneos na região que acabam dificultando a classificac ¸ão pixel a pixel de tais estruturas [Yu et al 2019] que podem ser vistas na Figura 1. Devido a esses detalhes, diversas técnicas de processamento de imagem tem sido utilizadas, exemplos a serem citados incluem: a extrac ¸ão de uma região de interesse (ROI) que destaca uma parte da imagem original contendo o disco e a escavac ¸ão óptica [Yu et al 2019, Lima et al 2020, Sevastopolsky 2017] e a extrac ¸ão do canal verde da imagem visando um realce das mesmas estruturas [Lima et al 2020]. Outro fator de relevância é a utilizac ¸ão de arquiteturas utilizando Deep Learning que proporcionaram a gerac ¸ão de modelos de aprendizado próximos ao estado-da-arte.…”

Section: Introduc ¸ãOunclassified

Treinando Rede Neural Profunda com Divisão Proporcional de Imagens para Segmentação de Estruturas da Retina

Fonseca

Araújo

Almeida

et al. 2022

Anais Do XXII Simpósio Brasileiro De Computação Aplicada À Saúde (SBCAS 2022)

View full text Add to dashboard Cite

Com o aumento da quantidade de patologias relacionadas ao olho humano, a segmentação da escavação e do disco óptico se tornaram principais objetos de estudo por parte de experimentos interligados a Deep Learning, visando um aperfeiçoamento na classificação das mesmas estruturas possibilitando uma melhor identificação. Este estudo propõe uma abordagem de segmentação da escavação e do disco óptico combinando a técnica de divisão proporcional de imagem, em relação a área de segmentação, e a arquitetura de rede U-Net com encoder da ResNet-34. A abordagem proposta apresentou resultados promissores, alcançando 96% de Dice na segmentação do disco nos datasets RIM-ONE e DRISHTI-GS e 90% e 85% de Dice na segmentação das escavação nos datasets DRISHTI-GS e RIM-ONE, respectivamente.

show abstract

Mask Overlaying: a Deep Learning Approach for Individual Optic Cup Segmentation from Fundus Image

Cited by 2 publications

References 20 publications

Automatic Diagnosis of Glaucoma from Retinal Images Using Deep Learning Approach

Automatic Diagnosis of Glaucoma from Retinal Images Using Deep Learning Approach

Treinando Rede Neural Profunda com Divisão Proporcional de Imagens para Segmentação de Estruturas da Retina

Contact Info

Product

Resources

About