Detekce patologií na snímcích sítnice oka
Loading...
Date
Authors
Hurta, David
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Cílem této práce je návrh a implementace algoritmu detekce mikroaneuryzmat, tvrdých exsudátů a měkkých exsudátů na barevných snímcích sítnice. Byl navržen algoritmus detekce objektů na základě hlubokého učení. Byla použita architektura Faster R-CNN s příznakovou pyramidovou sítí a předem vyučenou reziduální sítí společně s různými metodami transformace dat. Bylo využito celkově šesti datových sad snímků sítnic k trénování, ověřování a testování modelů. Vyučené modely dosáhly během testování hodnoty 0.46 střední průměrné přesnosti (mAP) při detekci mikroaneuryzmat a hodnoty 0.48 mAP během detekce exsudátů. Výsledné modely byly porovnány s publikovanými články a umožňují s chvályhodnou přesností detekovat dané patologie.
The main goal of this work is to design and implement an algorithm for the detection of microaneurysms, hard exudates, and soft exudates on color fundus images. An algorithm for detecting objects based on deep learning has been proposed. The Faster R-CNN architecture with a feature pyramid network and a pre-pretrained residual network was used together with various data transformation methods. A total of six retinal image datasets were used to train, validate and test the models. The trained models achieved 0.46 mean average accuracy (mAP) in microaneurysm detection and 0.48 mAP in exudates detection during testing. The resulting models have been compared with published articles and make it possible to detect given pathologies with commendable accuracy.
The main goal of this work is to design and implement an algorithm for the detection of microaneurysms, hard exudates, and soft exudates on color fundus images. An algorithm for detecting objects based on deep learning has been proposed. The Faster R-CNN architecture with a feature pyramid network and a pre-pretrained residual network was used together with various data transformation methods. A total of six retinal image datasets were used to train, validate and test the models. The trained models achieved 0.46 mean average accuracy (mAP) in microaneurysm detection and 0.48 mAP in exudates detection during testing. The resulting models have been compared with published articles and make it possible to detect given pathologies with commendable accuracy.
Description
Keywords
detekce patologií sítnice, barevné snímky sítnice, mikroaneuryzmata, exsudáty, tvrdé exsudáty, měkké exsudáty, vatovitá ložiska, hluboké učení, Faster R-CNN, předem vyučená síť, příznaková pyramidová síť, průměrná přesnost, retinal pathology detection, color fundus images, microaneurysms, exudates, hard exudates, soft exudates, cotton wool spots, deep learning, Faster R-CNN, pretrained network, feature pyramid network, average precision
Citation
HURTA, D. Detekce patologií na snímcích sítnice oka [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2022.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Informační technologie
Comittee
prof. Ing. Lukáš Sekanina, Ph.D. (předseda)
doc. Ing. Jiří Jaroš, Ph.D. (místopředseda)
Ing. Michal Hradiš, Ph.D. (člen)
Ing. Zbyněk Křivka, Ph.D. (člen)
Ing. Ondřej Lengál, Ph.D. (člen)
Date of acceptance
2022-06-14
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A. Otázky u obhajoby: Jakým způsobem se zachová Vaše řešení v případě překryvu více onemocnění přes sebe (např. krvácení do exsudátu)? Zvládne Vaše řešení fotokoagulační zásahy do sítnice oka? Nedojde zde k falešným detekcím?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení