Αυτόματος κωδικοποιητής για την τμηματοποίηση των αιμοφόρων αγγείων του αμφιβληστροειδούς χιτώνα πάνω σε εικόνες κάμερας πυθμένα
Η αυτόματη τμηματοποίηση των αιμοφόρων αγγείων του αμφιβληστροειδή χιτώνα του ανθρώπινου οφθαλμού είναι αναγκαία αφού οι οφθαλμίατροι μπορούν να διαγνώσουν διάφορες ασθένειες όπως διαβήτη, εγκεφαλικό επεισόδιο, αρτηριοσκλήρυνση και άλλες καρδιαγγειακές παθήσεις. Στη παρούσα εργασία προτείνεται ένα μ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2020
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/14178 |
| id |
nemertes-10889-14178 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-141782022-09-05T14:06:52Z Αυτόματος κωδικοποιητής για την τμηματοποίηση των αιμοφόρων αγγείων του αμφιβληστροειδούς χιτώνα πάνω σε εικόνες κάμερας πυθμένα Convolutional autoencoder for vessel segmentation using fundus images of the eye Νικολουλοπούλου, Ναταλία Nikoloulopoulou, Natalia Τμηματοποίηση εικόνας Συνελικτικός αυτόματος κωδικοποιητής Εντοπισμός αιμοφόρων αγγείων Image segmentation Blood vessel detection Convolutional autoencoder Η αυτόματη τμηματοποίηση των αιμοφόρων αγγείων του αμφιβληστροειδή χιτώνα του ανθρώπινου οφθαλμού είναι αναγκαία αφού οι οφθαλμίατροι μπορούν να διαγνώσουν διάφορες ασθένειες όπως διαβήτη, εγκεφαλικό επεισόδιο, αρτηριοσκλήρυνση και άλλες καρδιαγγειακές παθήσεις. Στη παρούσα εργασία προτείνεται ένα μοντέλο συνελικτικού αυτόματου κωδικοποιητή που αποτελεί ένα εξιδεικευμένο είδος συνελικτικού νευρωνικού δικτύου για τη λύση του προβλήματος. Το μοντέλο αποτελείται από 8 στρώματα και καθένα από αυτά περιέχει συνελικτικά επίπεδα δύο διαστάσεων, επίπεδα MaxPooling, επίπεδα κανονικοποίησης και όχι μόνο. Μάλιστα παρουσιάζεται και μια σειρά βημάτων προεπεξεργασίας των εικόνων που χρησιμοποιούνται ως δεδομένα εισόδου με σκοπό να επεκταθεί το μέγεθος της βάσης δεδομένων μιας και αρχικά αποτελείται από πολύ λίγες εικόνες. Το μοντέλο εκπαιδεύτηκε και αξιολογήθηκε πάνω στις DRIVE και STARE βάσεις δεδομένων με διάρκεια εκμάθησης μόνο 35 λεπτών και με πολύ ανταγωνιστές μετρικές εξόδου για την αξιολόγηση. Συγκεκριμένα ο συνελικτικός αυτόματος κωδικοποιητής στη βάση δεδομένων DRIVE υπολογίστηκε AUC_ROC=0.9749, ACCURACY=0.9573 ενώ στη βάση δεδομένων STARE AUC_ROC=0.9757, ACCURACY=0.9692. Η επιτυχία του μοντέλου οφείλεται στη μετρική specificity με τιμές 0.9857 και 0.987 αντίστοιχα σε κάθε βάση όπου και είναι η μέγιστη από όλες τις μεθόδους που έχουν προταθεί στο παρελθόν. Αυτό απεικονιστικά φαίνεται στις προσπάθειες αυτόματης τμηματοποίησης των αιμοφόρων αγγείων από τη προτεινόμενη μέθοδο αφού οι εικόνες είναι πιο ακριβείς, «καθαρές» και χωρίς την παρουσία θορύβου που παρατηρείται στα υπόλοιπα μοντέλα. Automated retina vessel segmentation of the human eye plays an important role nowadays because it can help ophthalmologists identify many diseases like diabetes, stroke, arteriosclerosis, cardiovascular and other human illnesses. In this thesis, a convolutional autoencoder is being presented, which is a specific type of Convolutional Neural Network. The proposed model consists of eight bigger layers where each one is made up by a combination of convolutional2D layers, MaxPooling layers, BatchNormalization layers and more. A number of preprocessing steps were used in order to increase the size of the input dataset . Our model has been trained and evaluated on DRIVE and STARE datasets with training time only 35 minutes. The evaluation metrics were very competitive compared to other proposed methods. In particular the proposed autoencoder has AUC_ROC=0.9749 and ACCURACY=0.9573 on DRIVE dataset and AUC_ROC=0.9757, ACCURACY=0.9692 on STARE dataset. Our model was very efficient on the specificity metric which equals to 0.9857 and 0.987 on each dataset respectively and it’s the highest among the compared proposed in the past methods. The above statement can be noticed in the final blood vessel segmentation images produced by the convolutional autoencoder because they are more accurate, sharp and noiseless compare to the result images of the other proposed methods. 2020-11-18T20:54:04Z 2020-11-18T20:54:04Z 2020-09-28 http://hdl.handle.net/10889/14178 gr application/pdf application/octet-stream |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Τμηματοποίηση εικόνας Συνελικτικός αυτόματος κωδικοποιητής Εντοπισμός αιμοφόρων αγγείων Image segmentation Blood vessel detection Convolutional autoencoder |
| spellingShingle |
Τμηματοποίηση εικόνας Συνελικτικός αυτόματος κωδικοποιητής Εντοπισμός αιμοφόρων αγγείων Image segmentation Blood vessel detection Convolutional autoencoder Νικολουλοπούλου, Ναταλία Αυτόματος κωδικοποιητής για την τμηματοποίηση των αιμοφόρων αγγείων του αμφιβληστροειδούς χιτώνα πάνω σε εικόνες κάμερας πυθμένα |
| description |
Η αυτόματη τμηματοποίηση των αιμοφόρων αγγείων του αμφιβληστροειδή χιτώνα του ανθρώπινου οφθαλμού είναι αναγκαία αφού οι οφθαλμίατροι μπορούν να διαγνώσουν διάφορες ασθένειες όπως διαβήτη, εγκεφαλικό επεισόδιο, αρτηριοσκλήρυνση και άλλες καρδιαγγειακές παθήσεις. Στη παρούσα εργασία προτείνεται ένα μοντέλο
συνελικτικού αυτόματου κωδικοποιητή που αποτελεί ένα εξιδεικευμένο είδος
συνελικτικού νευρωνικού δικτύου για τη λύση του προβλήματος. Το μοντέλο
αποτελείται από 8 στρώματα και καθένα από αυτά περιέχει συνελικτικά επίπεδα δύο
διαστάσεων, επίπεδα MaxPooling, επίπεδα κανονικοποίησης και όχι μόνο. Μάλιστα
παρουσιάζεται και μια σειρά βημάτων προεπεξεργασίας των εικόνων που
χρησιμοποιούνται ως δεδομένα εισόδου με σκοπό να επεκταθεί το μέγεθος της βάσης
δεδομένων μιας και αρχικά αποτελείται από πολύ λίγες εικόνες. Το μοντέλο
εκπαιδεύτηκε και αξιολογήθηκε πάνω στις DRIVE και STARE βάσεις δεδομένων με
διάρκεια εκμάθησης μόνο 35 λεπτών και με πολύ ανταγωνιστές μετρικές εξόδου για
την αξιολόγηση. Συγκεκριμένα ο συνελικτικός αυτόματος κωδικοποιητής στη βάση
δεδομένων DRIVE υπολογίστηκε AUC_ROC=0.9749, ACCURACY=0.9573 ενώ στη
βάση δεδομένων STARE AUC_ROC=0.9757, ACCURACY=0.9692. Η επιτυχία του
μοντέλου οφείλεται στη μετρική specificity με τιμές 0.9857 και 0.987 αντίστοιχα σε
κάθε βάση όπου και είναι η μέγιστη από όλες τις μεθόδους που έχουν προταθεί στο
παρελθόν. Αυτό απεικονιστικά φαίνεται στις προσπάθειες αυτόματης τμηματοποίησης
των αιμοφόρων αγγείων από τη προτεινόμενη μέθοδο αφού οι εικόνες είναι πιο
ακριβείς, «καθαρές» και χωρίς την παρουσία θορύβου που παρατηρείται στα υπόλοιπα
μοντέλα. |
| author2 |
Nikoloulopoulou, Natalia |
| author_facet |
Nikoloulopoulou, Natalia Νικολουλοπούλου, Ναταλία |
| author |
Νικολουλοπούλου, Ναταλία |
| author_sort |
Νικολουλοπούλου, Ναταλία |
| title |
Αυτόματος κωδικοποιητής για την τμηματοποίηση των αιμοφόρων αγγείων του αμφιβληστροειδούς χιτώνα πάνω σε εικόνες κάμερας πυθμένα |
| title_short |
Αυτόματος κωδικοποιητής για την τμηματοποίηση των αιμοφόρων αγγείων του αμφιβληστροειδούς χιτώνα πάνω σε εικόνες κάμερας πυθμένα |
| title_full |
Αυτόματος κωδικοποιητής για την τμηματοποίηση των αιμοφόρων αγγείων του αμφιβληστροειδούς χιτώνα πάνω σε εικόνες κάμερας πυθμένα |
| title_fullStr |
Αυτόματος κωδικοποιητής για την τμηματοποίηση των αιμοφόρων αγγείων του αμφιβληστροειδούς χιτώνα πάνω σε εικόνες κάμερας πυθμένα |
| title_full_unstemmed |
Αυτόματος κωδικοποιητής για την τμηματοποίηση των αιμοφόρων αγγείων του αμφιβληστροειδούς χιτώνα πάνω σε εικόνες κάμερας πυθμένα |
| title_sort |
αυτόματος κωδικοποιητής για την τμηματοποίηση των αιμοφόρων αγγείων του αμφιβληστροειδούς χιτώνα πάνω σε εικόνες κάμερας πυθμένα |
| publishDate |
2020 |
| url |
http://hdl.handle.net/10889/14178 |
| work_keys_str_mv |
AT nikoloulopoulounatalia automatoskōdikopoiētēsgiatēntmēmatopoiēsētōnaimophorōnangeiōntouamphiblēstroeidouschitōnapanōseeikoneskameraspythmena AT nikoloulopoulounatalia convolutionalautoencoderforvesselsegmentationusingfundusimagesoftheeye |
| _version_ |
1771297232413261824 |
