Automatic Detection of Cataract In Fundus Images

Detalhes bibliográficos
Autor(a) principal: Silva, Patrícia Nobre
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/87983
Resumo: Dissertação de Mestrado Integrado em Engenharia Física apresentada à Faculdade de Ciências e Tecnologia
id RCAP_5f7496b3c819b5866cefb1725849c99b
oai_identifier_str oai:estudogeral.uc.pt:10316/87983
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Automatic Detection of Cataract In Fundus ImagesDeteção Automática de Catarata em Imagens do Fundo do OlhoAprendizagem ProfundaAprendizagem MáquinaCatarataMáquina de Vetores de SuporteRede Neuronal ConvolucionalCataractConvolution Neural NetworkDeep LearningMachine LearningSupport Vector MachineDissertação de Mestrado Integrado em Engenharia Física apresentada à Faculdade de Ciências e TecnologiaAs opacidades encontradas em retinografias (imagens do fundo do olho) são um obstáculo à deteção de outras anomalias relacionadas com doenças visuais, impedindo por vezes diagnósticos. Estas interferem com outros softwares de diagnóstico de lesões do olho, degradando a qualidade e a visibilidade das imagens. Uma abordagem automática à deteção e quantificação de cataratas, seria muito útil para o campo da oftalmologia para evitar o problema mencionado e para que fosse possível analisar uma maior quantidade de imagens de uma maneira mais fácil, rápida e barata, sem que fosse necessário o conhecimento de um especialista na área para o fazer. Este trabalho apresenta duas abordagens para detetar cataratas no olho, uma baseada em Aprendizagem Máquina "geral" e outra em Aprendizagem Profunda. Para aumentar a visibilidade e o contraste das imagens do conjunto de dados utilizado neste trabalho, dois métodos de pré-processamento das imagens da retina são explorados e comparados. Três algoritmos de Aprendizagem Máquina (Máquina de Vetores de Suporte, Árvore de Decisão e Árvores "Bagged") que classificam cada imagem numa de duas classes - catarata ou sem catarata - são usados. A extração de características é baseada na Transformada em Ondeletas Discreta, mais especificamente, na Transformada de Haar. Um método baseado em Redes Neuronais Convolucionais é também apresentado, usando o mesmo conjunto de dados mencionado acima para treinar e testar um classificador em Aprendizagem Profunda para a mesma função.Opacities found in retinographies (fundus images) are an obstacle to the detection of other anomalies related to eye diseases, sometimes blocking diagnoses. They interfere with other eye lesions diagnosis software, degrading image quality and visibility. An automatic approach to the detection and quantification of cataracts would be very helpful to the ophthalmological field to avoid the mentioned problem and to enable analysis of large amounts of images in an easier, faster and inexpensive way, without needing the expertise of trained specialists to do so. This work presents two approaches to detect eye cataracts, one based on "general" Machine Learning and the other on Deep Learning. To enhance visibility and contrast of the images of the dataset used in this work, two pre-processing methods of the retinal images are explored and compared. Three Machine Learning algorithms (Support Vector Machine, Decision Tree and Bagged Trees) that classify each image into one of two classes - cataract or no cataract - were used. Feature extraction is based on a Discrete Wavelet Transform, more specifically, the Haar Transform. A method based on Convolution Neural Networks is also introduced, which uses the same dataset mentioned above to train and test a similarly aimed Deep Learning classifier.2019-09-30info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/87983http://hdl.handle.net/10316/87983TID:202309010engSilva, Patrícia Nobreinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2021-05-21T11:15:32Zoai:estudogeral.uc.pt:10316/87983Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:08:47.332896Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Automatic Detection of Cataract In Fundus Images
Deteção Automática de Catarata em Imagens do Fundo do Olho
title Automatic Detection of Cataract In Fundus Images
spellingShingle Automatic Detection of Cataract In Fundus Images
Silva, Patrícia Nobre
Aprendizagem Profunda
Aprendizagem Máquina
Catarata
Máquina de Vetores de Suporte
Rede Neuronal Convolucional
Cataract
Convolution Neural Network
Deep Learning
Machine Learning
Support Vector Machine
title_short Automatic Detection of Cataract In Fundus Images
title_full Automatic Detection of Cataract In Fundus Images
title_fullStr Automatic Detection of Cataract In Fundus Images
title_full_unstemmed Automatic Detection of Cataract In Fundus Images
title_sort Automatic Detection of Cataract In Fundus Images
author Silva, Patrícia Nobre
author_facet Silva, Patrícia Nobre
author_role author
dc.contributor.author.fl_str_mv Silva, Patrícia Nobre
dc.subject.por.fl_str_mv Aprendizagem Profunda
Aprendizagem Máquina
Catarata
Máquina de Vetores de Suporte
Rede Neuronal Convolucional
Cataract
Convolution Neural Network
Deep Learning
Machine Learning
Support Vector Machine
topic Aprendizagem Profunda
Aprendizagem Máquina
Catarata
Máquina de Vetores de Suporte
Rede Neuronal Convolucional
Cataract
Convolution Neural Network
Deep Learning
Machine Learning
Support Vector Machine
description Dissertação de Mestrado Integrado em Engenharia Física apresentada à Faculdade de Ciências e Tecnologia
publishDate 2019
dc.date.none.fl_str_mv 2019-09-30
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/87983
http://hdl.handle.net/10316/87983
TID:202309010
url http://hdl.handle.net/10316/87983
identifier_str_mv TID:202309010
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799133980968091648

Registros relacionados