Original title: Segmentace duhovky
Translated title: Iris segmentation
Authors: Ramesh, Vishal ; Šikudová, Elena (advisor) ; Rittig, Tobias (referee)
Document type: Bachelor's theses
Year: 2022
Language: eng
Abstract: [eng] [cze]
Accurate iris image segmentation is crucial to a range of proposed medical diagnosis and treatment systems. Previous models have worked well with healthy eye images but do not generalize to diseased eye images. We work with a dataset where many subjects have eye diseases or deformities. We analyse the performance of the U-Net, a deep learning architecture for semantic segmentation. Our model was trained on a hand-annotated dataset and tuned to generalise on unseen images. Our model achieves a pixel accuracy of 0.8913 on the test set with a relatively short training time. 1 Přesná segmentace obrazu duhovky je nezbytná pro řadu navrhovaných lékařských di- agnostických a léčebných systémů. Předchozí modely fungovaly dobře s obrázky zdravých očí, ale nezobecňují na obrázky nemocných očí. Pracujeme se souborem dat, kde má mnoho subjektů oční onemocnění nebo deformity. Analyzujeme výkon U-Net, architek- tury hlubokého učení pro sémantickou segmentaci. Náš model byl trénován na ručně anotovaném souboru dat a vyladěn tak, aby zobecnil na neviditelných obrázcích. Náš model dosahuje pixelové přesnosti 0,8913 na testovací sadě s relativně krátkou dobou tréninku. 1
Keywords: eye|iris|segmantation|machine learning; oko|duhovka|segmentace|strojové učení

Institution: Charles University Faculties (theses) (web)
Document availability information: Available in the Charles University Digital Repository.
Original record: http://hdl.handle.net/20.500.11956/176110

Permalink: http://www.nusl.cz/ntk/nusl-509109


The record appears in these collections:
Universities and colleges > Public universities > Charles University > Charles University Faculties (theses)
Academic theses (ETDs) > Bachelor's theses