Please use this identifier to cite or link to this item: http://hdl.handle.net/10316/83005
Title: Experiments in Retinal Vascular Tree Segmentation using Deep Convolutional Neural Networks
Other Titles: Experiências na Segmentação da Rede Vascular da Retina usando Redes Neuronais Convolucionais Profundas
Authors: Quadros, Francisca Agra de Almeida 
Orientador: Cruz, Luís Alberto da Silva
Keywords: Inteligência Artificial; Redes Neuronais Convolucionais; Rede Vascular da Retina; Imagens Oftálmicas; Segmentação; Artificial Intelligence; Convolutional Neural Networks; Retinal Vascular Tree; Ophthalmic Images; Segmentation
Issue Date: 19-Sep-2017
Serial title, monograph or event: Experiments in Retinal Vascular Tree Segmentation using Deep Convolutional Neural Networks
Place of publication or event: DEEC
Abstract: A Inteligência Artifical tem vindo a impor-se como um dos domínios mais promissores e relevantes da actualidade. Assim sendo, o seu estudo tem sido cada vez mais desenvolvido e aprofundado, gerando novas soluções nas mais diversas áreas da nossa sociedade. Em particular, na área de diagnóstico assistido por computador, tem surgido um crescente número de estudos e projectos demonstrando o interesse, cada vez maior, suscitado por este tipo de tecnologias.Esta dissertação surge neste contexto como uma tentativa de analisar e explorar a utilização de Redes Neuronais Convolucionais Profundas na segmentação da rede vascular da retina em imagens oftálmicas. Para tal, foi desenvolvido um modelo de uma Rede Neuronal Convolucional e foram executados diversos casos de treino com diferentes parâmetros, para avaliar o seu comportamento.Numa primeira fase, imagens obtidas em bases de dados de imagens online, nomeadamente DRIVE e STARE, foram ligeiramente pré-processadas e de seguida foram extraídos fragmentos de 32 por 32 pixeis para treinar a rede neuronal. Assim sendo, o algoritmo desenvolvido é supervisionado, uma vez que é utilizada informação prévia acerca dos pixeis centrais de cada fragmento para treinar a rede. Na fase seguinte, o modelo foi implementado, tendo sido testadas diversas arquitecturas (número e tipo de camadas) usando a API Keras. O procedimento até agora descrito, bem como todas as experiências realizadas, inserem-se no processo de treino. Posteriormente passou-se à fase de teste, onde o modelo final foi testado num conjunto de imagens novas para avaliar a performance do algoritmo.O classificador final obtido foi testado em 20 imagens da DRIVE tendo-se obtido uma AUC de 0.87, precisão de 80%, sensibilidade de 85% e especificidade de 79%, com um tempo de segmentação de 13 minutos, o que se traduz em cerca de 39 segundos por imagem.
Artificial Intelligence has been emerging as one of the most promising and relevant current domains. Thus, its study has been increasingly developed and deepened, generating new solutions in the most diverse areas of our society. Particularly, in the area of computer-aided diagnosis, an increasing number of studies and projects have arisen, demonstrating the growing interest raised by this type of technologies.This dissertation represents, in this context, an attempt to analyze and explore the usage of Deep Convolutional Neural Networks in the segmentation of the retinal vascular tree in ophthalmic images. To achieve such goal, a model of a Convolutional Neural Network was developed and several training cases were executed with different parameters, to evaluate its behaviour.In an early stage, the images obtained from online image databases, namely DRIVE and STARE, were slightly pre-processed and then patches of size 32 by 32 pixels were extracted to train the neural network. Therefore, the developed algorithm is supervised, once previous information about the central pixel of each patch was used to train the network. In the following phase, the model was implemented, having been tested different architectures (number and type of layers) using the Keras API. The procedure described so far, as well as all the experiments conducted, are part of the training process. Afterwards, there was a test phase, in which the model was tested in a new unseen set of images to evaluate the performance of the algorithm.The final classifier was tested on 20 images from DRIVE, having achieved an AUC of 0.87, an accuracy of 80%, a sensitivity of 85% and specificity of 79%, with a segmentation time of 13 minutes, which translates into 39 seconds per image.
Description: Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
URI: http://hdl.handle.net/10316/83005
Rights: openAccess
Appears in Collections:UC - Dissertações de Mestrado

Files in This Item:
File Description SizeFormat
Tese _final.pdf24.49 MBAdobe PDFView/Open
Show full item record

Page view(s) 50

447
checked on Nov 28, 2022

Download(s) 50

526
checked on Nov 28, 2022

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons