Simple methods for segmentation and measurement of diabetic retinopathy lesions in retinal fundus images

Köse, Cemal; Şevik, Uğur; İkibaş, Cevat; Erdöl, Hidayet

doi:10.1016/j.cmpb.2011.06.007

Cited by 79 publications

(31 citation statements)

References 29 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Preprocessing pada penelitian Marwan D.Saleh et al [10] meliputi penghapusan optic disc [11] dan penghapusan background. Dalam penghapusan optic disc dapat dtgunakan sobel operator edge detection [11] median filter dan morfologi top-hat serta contrast stretching [10].…”

Section: Penghapusan Komponen Selain Pembuluh Darahunclassified

See 1 more Smart Citation

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

Section: Penghapusan Komponen Selain Pembuluh Darahunclassified

“…Dalam penghapusan optic disc dapat dtgunakan sobel operator edge detection [11] median filter dan morfologi top-hat serta contrast stretching [10]. Dua metode terakhir dapat juga digunakan untuk meningkatkan kontras citra hasil median filter.…”

Section: Penghapusan Komponen Selain Pembuluh Darahunclassified

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

show abstract

“…Walter et al [10] extracted micraoneurysm candidates using top-hat transform preceded by gray-scale diameter closing operation. Other approaches combine different pre-processing steps to remove retinal structures such as optic disk, fovea, and vasculatures and analyze the remaining regions to detect retinal lesions [11,12].…”

Section: Introductionmentioning

confidence: 99%

Automated detection of microaneurysms using scale-adapted blob analysis and semi-supervised learning

Adal¹,

Sidibé²,

Ali³

et al. 2014

Computer Methods and Programs in Biomedicine

102

View full text Add to dashboard Cite

Despite several attempts, automated detection of microaneurysm (MA) from digital fundus images still remains to be an open issue. This is due to the subtle nature of MAs against the surrounding tissues. In this paper, the microaneurysm detection problem is modeled as finding interest regions or blobs from an image and an automatic local-scale selection technique is presented. Several scale-adapted region descriptors are then introduced to characterize these blob regions. A semi-supervised based learning approach, which requires few manually annotated learning examples, is also proposed to train a classifier to detect true MAs. The developed system is built using only few manually labeled and a large number of unlabeled retinal color fundus images. The performance of the overall system is evaluated on Retinopathy Online Challenge (ROC) competition database. A competition performance measure (CPM) of 0.364 shows the competitiveness of the proposed system against state-of-the art techniques as well as the applicability of the proposed features to analyze fundus images.

show abstract

“…Based on the fact that the texture of healthy region does not vary as much as the texture of the unhealthy region, it is more accurate to extract the healthy region. Then dark lesions are left after segmentation using the intensity value that is lower than the background intensity value, and extraction of vessels (Köse C et al, 2012).…”

Section: Related Workmentioning

confidence: 99%

Improvement of Automatic Hemorrhages Detection Methods Using Shapes Recognition

Abbadi¹

2013

Journal of Computer Science

View full text Add to dashboard Cite

Diabetic Retinopathy is a medical condition where the retina is damaged because fluid leaks from blood vessels into the retina. The presence of hemorrhages in the retina is the earliest symptom of diabetic retinopathy. The number and shape of hemorrhages is used to indicate the severity of the disease. Early automated hemorrhage detection can help reduce the incidence of blindness. This paper introduced new method depending on the hemorrhage shape to detect the dot hemorrhage (DH), its number, and size at early stage, this can be achieved by reducing the retinal image details. Detection and recognize the DH by following three sequential steps, removing the fovea, removing the vasculature and recognize DH by determining the circularity for all the objects in the image, finally determine the shape factor which is related to DH recognition, this stage strengthens the recognition process. The proposed method recognizes and separates all the DH.

show abstract

Simple methods for segmentation and measurement of diabetic retinopathy lesions in retinal fundus images

Cited by 79 publications

References 29 publications

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

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

Automated detection of microaneurysms using scale-adapted blob analysis and semi-supervised learning

Improvement of Automatic Hemorrhages Detection Methods Using Shapes Recognition

Contact Info

Product

Resources

About