|
|
Klasifikace cévního řečiště na snímcích sítnice
Tebenkova, Iuliia ; Kolář, Radim (oponent) ; Odstrčilík, Jan (vedoucí práce)
Analýza snímků sítnice má důležitý význam, protože člověk získá kolem 90 % informací z okolí přes oči. Automatizace procesů analýzy zobrazení sítnice přispívá ke zlepšení efektivity lékařských retinálních vyšetření. Tato diplomová práce se zabývá automatickými metodami klasifikace snímků cévního řečiště retiny pořízených digitální fundus kamerou. Je prozkoumána a implementována metoda klasifikace cévního řečiště s použitím klasifikátoru na základě neuronových sítí, které se trénují a pak se testují na úsecích cév retinálního řečiště. Ve stručnosti je v této práci popsán anatomický pohled na sítnici, vlastnosti obrazových dat z digitální fundus kamery a metody klasifikace retinálních snímků. Poslední kapitola se zabývá hodnocením úspěšnosti klasifikace cévního řečiště automatickými metodami.
|
|
|
Lokalizace optického disku na snímcích sítnice
Pěchotová, Barbora ; Kolář, Radim (oponent) ; Odstrčilík, Jan (vedoucí práce)
Tato práce se zabývá analýzou retinálních snímků z digitální fundus kamery, zejména vlastnostmi struktury optického disku (OD). Teoreticky popisuje základní vlastnosti lidského zrakového systému a princip vyšetření očního pozadí, jehož výstupem jsou právě zkoumané retinální snímky. V práci jsou zmíněny dostupné metody, které již byly pro lokalizaci OD použity. V druhé části je navržen automatický detektor optického disku, založený na principu genetických algoritmů s využitím segmentace cévního řečiště sítnice. Tato metoda je otestována na snímcích databáze.
|
|
|
Lokalizace optického disku na snímcích sítnice
Pěchotová, Barbora ; Kolář, Radim (oponent) ; Odstrčilík, Jan (vedoucí práce)
Tato práce se zabývá analýzou retinálních snímků z digitální fundus kamery, zejména vlastnostmi struktury optického disku (OD). Teoreticky popisuje základní vlastnosti lidského zrakového systému a princip vyšetření očního pozadí, jehož výstupem jsou právě zkoumané retinální snímky. V práci jsou zmíněny dostupné metody, které již byly pro lokalizaci OD použity a je vybrána metoda pro další práci s obrazovými daty. Práce se podrobněji zabývá vybranou metodou detekce OD pomocí geometrického modelu s využitím segmentace cévního řečiště pomocí metody založené na přizpůsobené filtraci. Na originálních snímcích z dostupné databáze je otestována navržená semiautomatická metoda pro lokalizaci polohy optického disku.
|
|
|
Pokročilé metody segmentace cévního řečiště na fotografiích sítnice
Svoboda, Ondřej ; Jan, Jiří (oponent) ; Odstrčilík, Jan (vedoucí práce)
Segmentace cévního řečiště je častým krokem při zpracování retinálních obrazů. V dnešní době existuje řada automatických metod segmentace cévního řečiště. Tyto metody jsou založeny na mnoha přístupech. Od přizpůsobené filtrace, přes metody využívající rozpoznávání vzorů, až po algoritmy využívající klasifikace obrazu. Použití automatických metod při zpracování retinálních snímků výrazně urychluje a zjednodušuje diagnostiku retinálních onemocnění. Při zpracování automatickými segmentačními algoritmy je jednou ze stěžejních částí prahování obrazu, a právě prahování fundus snímků se věnuje tato práce. Je zde popsána řada prací využívajících globální a lokální prahovací metody, a zejména metody klasifikace obrazu pro segmentaci cévního řečiště ze snímků sítnice. Následně byla na výsledky dvou metod segmentace cévního řečiště použita metoda klasifikace obrazu s učením. Z dosažených výsledků byla posléze stanovena schopnost daných metod segmentovat cévní řečiště. Použitím klasifikace obrazu namísto globálního prahování došlo u první metody na zdravé části databáze k poklesu sensitivity na 63,32 % a přesnosti na 94,99 %. Naopak u specificity byl zaznamenán nárůst na 95,75 %. U druhé metody bylo dosaženo sensitivity 69,24 %, specificity 98,86 % a přesnosti 95,29 %. Kombinací výsledků obou metod bylo dosaženo sensitivity 72,48 %, specificity 98,59 % a výsledné přesnosti 95,75 %. Tímto nebyl s použitím daného klasifikátoru potvrzen předpoklad, že klasifikace obrazu s učením je oproti prostému prahování efektivnější. Zároveň bylo však prokázáno, že rozšíření příznakového vektoru kombinací výsledků z obou metod došlo k nárůstu sensitivity, specificity i přesnosti.
|
|
|
Analýza snímků sítnice se zaměřením na detekci patologických oblastí
Hartlová, Marie ; Kolář, Radim (oponent) ; Odstrčilík, Jan (vedoucí práce)
Diabetická retinopatie je vážnou oční komplikací diabetu mellitus a jedním z hlavních důvodů slepoty na světě. Tato práce se zabývá hledáním neovaskularizací, které jsou prvním projevem diabetické retinopatie na sítnici. Ve stručnosti se v této práci popisují vlastnosti obrazových dat z digitální fundus kamery, metody segmentace obrazu, metody automatické segmentace cévního řečiště a detekce neovaskularizací.Tyto informace byly využity pro vytvoření vlastního programu pro detekci neovaskularizací.
|
|
|
Processing of high-resolution retinal images
Vraňáková, Sofia ; Chmelík, Jiří (oponent) ; Valterová, Eva (vedoucí práce)
The master’s thesis is focused on the processing of high-resolution retinal images. The aim of this work is to obtain images of higher quality from a sequence of low-quality frames. The frames are first pre-processed by using bilateral filtering and contrast enhancement. The shift between the frames in the imaging sequence is estimated using phase correlation, and these frames are then fused together using the averaging through the frames and the super-resolution technique, more specifically regularization based on bilateral total variance. The resulting median quality scores of obtained images are PIQUE 0.2600, NIQE 0.0701, and BRISQUE 0.3936 for the averaging technique and PIQUE 0.1063, NIQE 0.0507, and BRISQUE 0.1570 for super-resolution technique.
|
|
|
Segmentace cévního řečiště ve snímcích sítnice metodami hlubokého učení
Serečunová, Stanislava ; Vičar, Tomáš (oponent) ; Kolář, Radim (vedoucí práce)
Táto diplomová práca sa zaoberá využitím hlbokých neurónových sietí so zameraním na segmentáciu obrazu. Teoretická časť obsahuje popis hlbokých neurónových sietí a súhrn využívaných architektúr konvolučných sietí v oblasti segmentácie objektov z obrazu. V praktickej časti bola testovaním existujúcich príkladov používaných architektúr sietí naštudovaná open-source softwarová knižnica pre strojové učenie Tensorflow, implementovaná v programovacom jazyku Python. Obecným problémom použitia konvolučných neurónových sietí je požadované veľké množstvo vstupných dát. Z tohto dôvodu bola vytvorená nová dátová sada skladajúca sa z kombinácie piatich voľne dostupných databáz. Zvolená architektúra siete U-net bola testovaná prvou modifikáciou novo vytvorenej dátovej sady. Na základe výsledkov je zvolená architektúra siete modifikovaná, vďaka čomu bola vytvorená nová sieť, ktorá dosahuje lepšie výsledky než originálna sieť. Modifikovaná architektúra je následne trénovaná na vytvorenej dátovej sade, ktorá obsahuje snímky z rôznych typov fundus kamier. Natrénovaná sieť je vďaka tomuto prístupu vo výsledku robustnejšia a umožňuje segmentaciu cievneho riečiska snímkov z rôznymi parametrami. Modifikovaná architektúra bola otestovaná na databázach STARE, CHASE a HRF. Výsledky boli porovnané z publikovanými metódami segmentácie z literatúry, založených na konvolučných neurónových sieťach, ale aj klasickými metódami segmentácie. Vytvorená sieť vykazuje vysokú úspešnosť segmentácie cievneho riečiska porovnateľnú so state-of-the-art metódami.
|
|
|
Segmentace cévního řečiště na snímcích sítnice pomocí klasifikačních technik
Šťastný, Pavel ; Štohanzlová, Petra (oponent) ; Odstrčilík, Jan (vedoucí práce)
Segmentace cévního řečiště na snímcích sítnice je velmi důležitá pro hodnocení a dia-gnostiku očních onemocnění, převážně diabetické retinopatie a glaukomu. Tato práce se za-bývá segmentací cévního řečiště pomocí klasifikačních metod. Pro kvalifikaci bylo použito jednoduché neuronové sítě. Nejdříve byla učena, pomocí delta pravidla, a poté byla apliková-na na předem připravený snímek přizpůsobenou filtrací. Po klasifikaci byl snímek ještě upraven a prahován. Nakonec bylo vše porovnáno se zlatým standardem. Průměrné hodnoty z hodnocení pro zdravé snímky byly senzitivita 0,7717, specificita 0,9571 a přesnost hodno-cení 0,9225.
|
|
|
Analýza barevných snímků sítnice se zaměřením na segmentaci cévního řečiště
Odstrčilík, Jan ; Jiřík, Radovan (oponent) ; Jan, Jiří (vedoucí práce)
Segmentace cévního řečiště představuje důležitou fázi při analýze snímků sítnice. Výsledky analýzy mohou být užitečné při diagnostice řady očních chorob a onemocnění spojených s kardiovaskulárním systémem. Metoda prezentovaná v této diplomové práci se zabývá plně automatickou segmentací cévního řečiště z barevných snímků sítnice pořízených digitální fundus kamerou pomocí přístupu přizpůsobené filtraci. Tento přístup využívá korelace mezi lokálními oblastmi v obraze, potencionálně obsahujícími segment cévy a 2D filtračními maskami, navrženými na základě typických jasových profilů, odpovídajících třem typům cév klasifikovaných podle šířky na tenké, středně široké a široké. Celkem jsou navrženy tři typy dvourozměrných filtračních masek respektujících tvar a šířku cév. Stanovením typických cévních profilů a návrhem přizpůsobených filtrů se zabývají kapitoly 3 a 4. Výsledek filtrace je prahován za účelem vytvoření hrubé binární reprezentace cévního řečiště, která je dále podrobena dalšímu zpracování v podobě doplnění chybějících úseků cév a čištění artefaktů. Metoda byla vyvíjena s pomocí reálných snímků sítnice a implementována prostřednictvím programového vybavení počítače. Byl vytvořen uživatelský program umožňující plně automatickou segmentaci cévního řečiště. Na závěr byla metoda odzkoušena a byla vyhodnocena její segmentační účinnost pomocí standardizovaných snímků z databáze DRIVE.
|
|
|
Segmentace cévního řečiště na snímcích sítnice s využitím matematické morfologie
Stonawski, Stanislav ; Jan, Jiří (oponent) ; Odstrčilík, Jan (vedoucí práce)
Důležitým krokem analýzy sítnicových snímků je segmentace cévního řečiště. Výsledek této analýzy může být využit při diagnostice očních či kardiovaskulárních onemocnění. Tato práce se zabývá možnostmi segmentace cévního řečiště ve snímcích s vysokým rozlišením za využití metod matematické morfologie. Cílem práce je vytvoření algoritmu, který bude schopen segmentace cévního řečiště ze sítnicových snímků. Dalším cílem je provedení hodnocení jeho účinnosti. Práce se stručně zabývá problematikou fundus kamer, vlastnostmi jejich obrazových dat a databází snímků. Dále jsou popsány vlastnosti cévního řečiště v těchto snímcích společně se způsoby jeho segmentace. Prezentovány jsou vytvořené algoritmy a výsledky jejich aplikace na databázi High-Resolution Fundus Image Database.
|
host ::
RSS.