Detail publikace

Automatické diagnostické hodnocení obrazů sítnice.

H. Niemann, R. Chrastek, T. Hothorn, B. Lausen, L. Kubecka, J. Jan, G. Michelson

Originální název

Towards automated diagnostic evaluation of retina images

Český název

Automatické diagnostické hodnocení obrazů sítnice.

Anglický název

Towards automated diagnostic evaluation of retina images

Typ

článek v časopise

Jazyk

en

Originální abstrakt

In this paper we address automatic segmentation of the optic nerve head (ONH) with the long-term goal of automatic diagnosis of the early stages of glaucoma. The images discussed are average images obtained from a scanning laser ophthalmoscope (SLO). The segmentation consists of the following main steps: finding a region of interest containing the ONH, constraining the search space for final segmentation, and computing the fine segmentation by an active contour model. The agreement of “true positive pixels,” i.e., pixels attributed to the ONH by both manual and automatic segmentation, is very good. The classification results obtained from three different classifiers using manual or automatic segmentation still reveal the superiority of manual segmentation. One means to further improve automatic segmentation is to use information from an SLO as well as from a fundus camera.

Český abstrakt

Morfologická analýza hlavy optického nervu je uznávanou metodou diagnozy glaukomu. Tato analýza závisí na předchozím správném nalezení hranice hlavy optického nervu. První námi vivinutá automatická metoda byla závislá na šumu v obraze, nehomogenním osvětlení a přítomnosti cév. Proto jsme inspirováni současným klinickým výzkumem vytvořili algoritmus provádějící segmentaci v registrovaných multimodálních obrazech sítnice. Multimodální přístup kombinuje tomografický obraz s barevnou fotografií sítnice pomocí registrace obrazů založené na optimalizaci podobnostního kritéria vzájemné informace. Jádrem segmentačního algoritmu jsou kotvené aktivní kontury inicializované Houghovou transformací použité na ¨morfologicky zpracovaných obrazech. Metoda byla testována na 174 multimodálních obrazových párech. Systém dosáhl 89% správně segmentovaných optických disků ve srovnání s 74% u monomodální metody. Navržený algoritmus je slibným krokem k vytvoření automatického systém skríningu glaukomu.

Anglický abstrakt

In this paper we address automatic segmentation of the optic nerve head (ONH) with the long-term goal of automatic diagnosis of the early stages of glaucoma. The images discussed are average images obtained from a scanning laser ophthalmoscope (SLO). The segmentation consists of the following main steps: finding a region of interest containing the ONH, constraining the search space for final segmentation, and computing the fine segmentation by an active contour model. The agreement of “true positive pixels,” i.e., pixels attributed to the ONH by both manual and automatic segmentation, is very good. The classification results obtained from three different classifiers using manual or automatic segmentation still reveal the superiority of manual segmentation. One means to further improve automatic segmentation is to use information from an SLO as well as from a fundus camera.

Klíčová slova

sítnice, optický disk

Rok RIV

2006

Vydáno

01.01.2005

Nakladatel

MAIK Nauka/Interperiodica Publishing, Moscow

Místo

Moscow

Strany od

273

Strany do

276

Strany počet

4

URL

BibTex


@article{BUT46311,
  author="Radim {Chrástek} and Libor {Kubečka} and Jiří {Jan}",
  title="Towards automated diagnostic evaluation of retina images",
  annote="In this paper we address automatic segmentation of the optic nerve head (ONH) with the long-term
goal of automatic diagnosis of the early stages of glaucoma. The images discussed are average images obtained
from a scanning laser ophthalmoscope (SLO). The segmentation consists of the following main steps: finding
a region of interest containing the ONH, constraining the search space for final segmentation, and computing
the fine segmentation by an active contour model. The agreement of “true positive pixels,” i.e., pixels attributed
to the ONH by both manual and automatic segmentation, is very good. The classification results obtained from
three different classifiers using manual or automatic segmentation still reveal the superiority of manual segmentation.
One means to further improve automatic segmentation is to use information from an SLO as well as from
a fundus camera.",
  address="MAIK Nauka/Interperiodica Publishing, Moscow",
  chapter="46311",
  institution="MAIK Nauka/Interperiodica Publishing, Moscow",
  journal="Pattern Recognition and Image Analysis
",
  number="2",
  volume="15",
  year="2005",
  month="january",
  pages="273",
  publisher="MAIK Nauka/Interperiodica Publishing, Moscow",
  type="journal article"
}