W zależności od ilości danych do przetworzenia generowanie pliku może się wydłużyć.

Jeśli generowanie trwa zbyt długo można ograniczyć dane np. zmniejszając zakres lat.

Artykuł

Pobierz BibTeX

Tytuł

Segmenting Retinal Blood Vessels With Deep Neural Networks

Autorzy

[ 1 ] Instytut Informatyki, Wydział Informatyki, Politechnika Poznańska | [ P ] pracownik

Rok publikacji

2016

Opublikowano w

IEEE Transactions on Medical Imaging

Rocznik: 2016 | Tom: vol. 35 | Numer: no. 11

Typ artykułu

artykuł naukowy

Język publikacji

angielski

Słowa kluczowe
EN
  • classification
  • deep learning
  • feature learning
  • fundus
  • neural networks
  • retina
  • retinopathy
  • structured prediction
  • vessel segmentation
Streszczenie

EN The condition of the vascular network of human eye is an important diagnostic factor in ophthalmology. Its segmentation in fundus imaging is a nontrivial task due to variable size of vessels, relatively low contrast, and potential presence of pathologies like microaneurysms and hemorrhages. Many algorithms, both unsupervised and supervised, have been proposed for this purpose in the past. We propose a supervised segmentation technique that uses a deep neural network trained on a large (up to 400 \thinspace000) sample of examples preprocessed with global contrast normalization, zero-phase whitening, and augmented using geometric transformations and gamma corrections. Several variants of the method are considered, including structured prediction, where a network classifies multiple pixels simultaneously. When applied to standard benchmarks of fundus imaging, the DRIVE, STARE, and CHASE databases, the networks significantly outperform the previous algorithms on the area under ROC curve measure (up to > 0.99) and accuracy of classification (up to > 0.97). The method is also resistant to the phenomenon of central vessel reflex, sensitive in detection of fine vessels ( sensitivity > 0.87), and fares well on pathological cases.

Strony (od-do)

2369 - 2380

DOI

10.1109/TMI.2016.2546227

URL

https://ieeexplore.ieee.org/document/7440871

Punktacja Ministerstwa / czasopismo

45

Impact Factor

3,942

Ta strona używa plików Cookies, w celu zapamiętania uwierzytelnionej sesji użytkownika. Aby dowiedzieć się więcej przeczytaj o plikach Cookies i Polityce Prywatności.