Detekce měkkých a tvrdých exudátů ve snímcích sítnice

Abstract

Tato práce se zabývá automatizovanou detekcí měkkých a tvrdých exudátů ve snímcích sítnice lidského oka. Práce v úvodu popisuje problematiku diabetu v souvislosti s poškozením sítnice oka. Především je popsána diabetická retinopatie, její projevy a postup onemocnění. Další část je věnována popisu volně přístupné databáze DIARETDB1, která obsahuje mimo jiné sadu snímků s různým stupněm onemocnění, hodnocení snímků od expertů a vyhodnocovací protokol. V další části pojednává o několika metodách automatické detekce tvrdých a měkkých exudátů. Praktická část bakalářské práce je zaměřena na vytvoření metody pro detekci exudátů. Metoda sestává z předzpracování, byla realizována vybraná metoda pro adaptivní transformaci kontrastu. Dále obsahuje popis zvolené metodiky prahování, výběr příznaků na základě intenzity lézí a jejich okolí, použití klasifikátoru Ho Kashyap s následnou klasifikaci lézí v obrazech. Závěrem je provedeno zhodnocení realizované metody.The thesis deals with automatic detection of soft and hard exudates in retinal images of the human eye. In its introduction the thesis describes the issue of diabetes in relation to the damage to the retina of the eye. What is described in the first place is diabetic retinopathy, its symptoms and progression of the disease. Another section is devoted to describing DIARETDB1, the freely accessible database which besides other things contains a set of images showing various degrees of disease, evaluation of images from the experts and the evaluation protocol. The next section discusses several methods for automatic detection of hard and soft exudates. The practical part of the bachelor’s thesis is aimed at image pre-processing with respect to the normalization of retinal images, the selected method for adaptive transformation of contrast was implemented. This part also containts description of chosen methology of thresholding, feature extraction based on lesions intensity and its surroundings, use of Ho Kashyap classifier is described, classification of lesions in images is followed. In conclusion realized methods is evaluated.