Retinal Image Analysis Using Machine Vision
Kuivalainen, Markku (2005)
Diplomityö
Kuivalainen, Markku
2005
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe20051957
https://urn.fi/URN:NBN:fi-fe20051957
Tiivistelmä
The topic of this thesis is studying how lesions in retina caused by diabetic retinopathy can be detected from color fundus images by using machine vision methods. Methods for equalizing uneven illumination in fundus images, detecting regions of poor image quality due toinadequate illumination, and recognizing abnormal lesions were developed duringthe work. The developed methods exploit mainly the color information and simpleshape features to detect lesions. In addition, a graphical tool for collecting lesion data was developed. The tool was used by an ophthalmologist who marked lesions in the images to help method development and evaluation. The tool is a general purpose one, and thus it is possible to reuse the tool in similar projects.The developed methods were tested with a separate test set of 128 color fundus images. From test results it was calculated how accurately methods classify abnormal funduses as abnormal (sensitivity) and healthy funduses as normal (specificity). The sensitivity values were 92% for hemorrhages, 73% for red small dots (microaneurysms and small hemorrhages), and 77% for exudates (hard and soft exudates). The specificity values were 75% for hemorrhages, 70% for red small dots, and 50% for exudates. Thus, the developed methods detected hemorrhages accurately and microaneurysms and exudates moderately. Diplomityössä tutkittiin diabeettiseen retinopatiaan liittyvien verkkokalvomuutosten tunnistamista konenäkömenetelmillä silmänpohjavärikuvista. Työssä kehitettiin menetelmät silmänpohjakuvien epätasaisen valaistuksen korjaamiseen, valaistuksen heikkoudestajohtuvien häiriöiden havaitsemiseen ja itse verkkokalvomuutosten tunnistamiseen. Kehitetyt menetelmät hyödyntävät pääasiassa väri-informaatiota ja yksinkertaisia muotoparametreja verkkokalvomuutosten tunnistuksessa. Työn alkuvaiheessa kehitettiin lisäksi graafisella käyttöliittymällä varustettu datankeräystyökalu, jonka avulla asiantuntija merkitsi käytetyistä silmänpohjakuvista löytyneet verkkokalvomuutokset. Datankeräystyökalu suunniteltiin yleiskäyttöiseksi, joten sitä voidaan käyttää tarvittaessa myös muissa vastaavantyyppisissä projekteissa. Kehitetyt menetelmät testattiin 128 värillisellä silmänpohjakuvalla. Testin tuloksistamääriteltiin menetelmien kyvyt luokitella verkkokalvomuutoksia sisältävät silmänpohjat epänormaaleiksi (sensitiivisyys) ja vastaavasti terveet silmänpohjat normaaleiksi (spesifisyys). Menetelmien sensitiivisyydet olivat verenvuodoille 92%,pienille punaisille muutostyypeille (mikroaneurysmat ja pienet verenvuodot) 73%ja eksudaateille (kovat ja pehmeät eksudaatit) 77%. Vastaavasti menetelmien spesifisyydet olivat verenvuodoille 75%, pienille punaisille muutostyypeille 70% jaeksudaateille 50%. Kehitetyt menetelmät löysivät siis verenvuodot hyvin sekä mikroaneurysmat ja eksudaatit tyydyttävästi.