Maximum likelihood estimation of vessel parameters from scale space analysis

Ng, Jeffrey; Clay, Simon; Barman, Sarah; Fielder, Alistair R.; Moseley, Merrick J.; Parker, Kim H.; Paterson, Carl

doi:10.1016/j.imavis.2009.04.019

Cited by 53 publications

(23 citation statements)

References 22 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…This method uses adaptive local thresholding to produce a binary image then extract large connected components as large vessels. The residual fragments in the binary image including some thin vessel segments (or pixels), are classified by Support Vector Machine (SVM [85], Radius based Clustering Algorithm (RACAL) [88] which uses a distance based principle to map the distributions of the image pixels. Among the above discussed approaches, the performance of algorithms based on supervised classification is better in general than their counterparts.…”

Section: Supervised Classificationmentioning

confidence: 99%

Diabetic retinopathy through retinal image analysis: A review

Reddy¹,

Ravindran²,

Kishore³

2017

IJET

View full text Add to dashboard Cite

In this paper, the recent advancement in the Digital Image Processing Aspects in the Diabetic Retinopathy (DR) were been discussed. The major approaches in DR are categorized into four classes namely Preprocessing, Optic Disk Detection, Blood Vessel Extraction and supervised classification. The optic disk, blood vessels and exudates gives more analytical details about the retinal image, segmentation of those features are very important. Further these approaches are classified into finer classes based on the methodologies accomplished in the respective schemes. The details of the database those used for testing the proposed algorithms is also illustrated in this paper. The details of performance metrics such as accuracy, sensitivity, specificity, precision, recall and F-measure are also discussed through their mathematical expressions.

show abstract

Section: Supervised Classificationmentioning

confidence: 99%

Diabetic retinopathy through retinal image analysis: A review

Reddy¹,

Ravindran²,

Kishore³

2017

IJET

View full text Add to dashboard Cite

show abstract

“…Подходы, основанные на классификации пикселей без использования обуче-ния, осуществляют поиск шаблонов, характерных для кровяных сосудов на изображениях сетчатки. В этих алгоритмах не требуется непосредственного исполь-зования обучающей выборки [67][68][69][70][71][72][73][74][75][76]. В работах [67,68] был предложен метод разрастания областей на ос-нове анализа информации о градиенте и кривизне по-ля.…”

Section: методы сегментации (г)unclassified

“…Тести-рование проводилось на базе DRIVE и показало точ-ность метода в 97,59%. Ng et al [73] разработал сис-тему детектирования сосудов, основанную на вероят-ностной модели. Авторы применяли фильтр с раз-личным масштабом на основе второй производной функции Гаусса к изображению, а отклик фильтра использовался для детектирования сосудов и оценки их признаков.…”

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

“…Penyeragaman tingkat pencahayaan atau perbaikan tingkat pencahayaan yang tidak seragam dapat dilakukan dengan berbagai cara antara lain penggunaan turunan kedua Gaussian Filter pada citra dalam beberapa tingkat, dan keluaran filter ini digunakan untuk menyimpulkan adanya sifat pembuluh darah [12]. Selain itu Median Filter digunakan untuk citra yang mengandung multipercabangan sehingga keluaran dari Median Filter adalah mengurangi atau menghilangkan noise percabangan citra pembuluh darah [13].…”

Section: Penyeragaman Tingkat Pencahayaanunclassified

Review Algoritma Segmentasi Pembuluh Darah Pada Citra Fundus Retina Mata Untuk Membantu Diagnosis Diabetic Retinopathy

Putra¹,

Tjandrasa²,

Suciati³

2012

JUTI

View full text Add to dashboard Cite

ABSTRAKKata Kunci: diabetic retinopathy, citra fundus retina, pembuluh darah. PENDAHULUANDiabetic Retinopathy merupakan salah satu penyakit pada retina mata yang disebabkan oleh diabetes. Penyakit ini menyebabkan keabnormalan pada retina, dan dalam kondisi terparah akan menyebabkan kebutaan. Beberapa faktor yang menyebabkan diabetic retinopathy antara lain durasi terkena penyakit diabetes, umur, tingkat tekanan darah, masa puber, kehamilan dan lain-lain [1].Durasi waktu dari penderita diabetes adalah faktor resiko terpenting dari penyakit ini. Dalam pasien yang didiagnosa mengidap penyakit diabetes sebelum usia 30 tahun, peluang munculnya diabetic retinopathy sekitar 50% setelah 10 tahun dan 90% setelah 30 tahun. Diabetic retinopathy jarang berkembang setelah 5 tahun dari serangan diabetes atau sebelum masa puber. Sekitar 5% dari diabetes tipe 2 juga mengidap diabetic retinopathy [2]. Gambar 1 merupakan pembuluh darah yang tampak dalam citra fundus retina mata.. Gambar 2 merupakan struktur anatomi dari retina mata. Dari Gambar 2 dapat terlihat, bagian-bagian dari retina mata (pembuluh darah, optic disc, dan macula) termasuk gejala-gejala dari penyakit diabetic retinopathy (exudates dan hemorrhage).Pembuluh darah merupakan salah satu faktor penting dalam pendeteksian penyakit diabetic retinopathy. Pada dasarnya kelainan pada retina mata yang disebabkan oleh penyakit diabetic retinopathy merupakan kelainan-kelainan yang ada pada pembuluh darah retina mata [3,4]. Salah satu contoh gejala diabetic retinopathy yang dapat dilihat dari pembuluh darah antara lain munculnya microaneurysm dan hemorrhage yang disebabkan adanya tonjolan yang ada pada pembuluh darah dalam retina mata [5]. Oleh karena itu diperlukannya suatu metode untuk segmentasi pembuluh darah yang tepat dan baik agar tonjolan yang ada pada pembuluh darah dalam retina dapat terdeteksi secara jelas.Berbagai penelitian mengenai segmentasi pembuluh darah telah dilakukan oleh beberapa peneliti dalam beberapa tahun terakhir. Beberapa makalah yang digunakan sebagai acuan dalam penelitian ini terlihat pada Gambar 3. Dari Gambar 3 terlihat bahwa makalah yang terbanyak dipakai dalam penelitian ini adalah makalah yang dipublikasikan pada tahun 2012. Makalah ini berjumlah 12, merupakan 23% dari jumlah makalah yang dipakai dalam penelitian ini. Hasil penelitian mereka dapat disimpulkan bahwa pada dasarnya metode untuk segmentasi pembuluh darah pada citra fundus retina mata terdiri dari 3 tahap, yakni: preprocessing, segmentasi dan postprocessing.Makalah ini disusun sebagai berikut. Pada bagian pertama dijelaskan mengenai segmentasi pembuluh darah pada diabetic retinopathy. Pada bagian kedua dijelaskan mengenai preprocessing yang digunakan dalam algoritma segmentasi pembuluh darah. Pada bagian ketiga dijelaskan mengenai proses segmentasi yang digunakan. Proses segmentasi ini terbagi menjadi tiga, yakni image based, pattern recognition based dan vessel tracking/tracing. Pada bagian keempat dijelaskan

show abstract

Maximum likelihood estimation of vessel parameters from scale space analysis

Cited by 53 publications

References 22 publications

Diabetic retinopathy through retinal image analysis: A review

Diabetic retinopathy through retinal image analysis: A review

Methods for digital analysis of human vascular system. Literature review

Review Algoritma Segmentasi Pembuluh Darah Pada Citra Fundus Retina Mata Untuk Membantu Diagnosis Diabetic Retinopathy

Contact Info

Product

Resources

About