Experiments in Retinal Vascular Tree Segmentation using Deep Convolutional Neural Networks

Detalhes bibliográficos
Autor(a) principal: Quadros, Francisca Agra de Almeida
Data de Publicação: 2017
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/83005
Resumo: Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
id RCAP_eb988910cd22b9b8cabbeca2cef30041
oai_identifier_str oai:estudogeral.uc.pt:10316/83005
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Experiments in Retinal Vascular Tree Segmentation using Deep Convolutional Neural NetworksExperiências na Segmentação da Rede Vascular da Retina usando Redes Neuronais Convolucionais ProfundasInteligência ArtificialRedes Neuronais ConvolucionaisRede Vascular da RetinaImagens OftálmicasSegmentaçãoArtificial IntelligenceConvolutional Neural NetworksRetinal Vascular TreeOphthalmic ImagesSegmentationDissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e TecnologiaA 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.2017-09-19info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/83005http://hdl.handle.net/10316/83005TID:202122557engQuadros, Francisca Agra de Almeidainfo: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:RCAAP2019-06-02T14:35:52Zoai:estudogeral.uc.pt:10316/83005Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:04:50.212437Repositório 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 Experiments in Retinal Vascular Tree Segmentation using Deep Convolutional Neural Networks
Experiências na Segmentação da Rede Vascular da Retina usando Redes Neuronais Convolucionais Profundas
title Experiments in Retinal Vascular Tree Segmentation using Deep Convolutional Neural Networks
spellingShingle Experiments in Retinal Vascular Tree Segmentation using Deep Convolutional Neural Networks
Quadros, Francisca Agra de Almeida
Inteligência Artificial
Redes Neuronais Convolucionais
Rede Vascular da Retina
Imagens Oftálmicas
Segmentação
Artificial Intelligence
Convolutional Neural Networks
Retinal Vascular Tree
Ophthalmic Images
Segmentation
title_short Experiments in Retinal Vascular Tree Segmentation using Deep Convolutional Neural Networks
title_full Experiments in Retinal Vascular Tree Segmentation using Deep Convolutional Neural Networks
title_fullStr Experiments in Retinal Vascular Tree Segmentation using Deep Convolutional Neural Networks
title_full_unstemmed Experiments in Retinal Vascular Tree Segmentation using Deep Convolutional Neural Networks
title_sort Experiments in Retinal Vascular Tree Segmentation using Deep Convolutional Neural Networks
author Quadros, Francisca Agra de Almeida
author_facet Quadros, Francisca Agra de Almeida
author_role author
dc.contributor.author.fl_str_mv Quadros, Francisca Agra de Almeida
dc.subject.por.fl_str_mv Inteligência Artificial
Redes Neuronais Convolucionais
Rede Vascular da Retina
Imagens Oftálmicas
Segmentação
Artificial Intelligence
Convolutional Neural Networks
Retinal Vascular Tree
Ophthalmic Images
Segmentation
topic Inteligência Artificial
Redes Neuronais Convolucionais
Rede Vascular da Retina
Imagens Oftálmicas
Segmentação
Artificial Intelligence
Convolutional Neural Networks
Retinal Vascular Tree
Ophthalmic Images
Segmentation
description Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
publishDate 2017
dc.date.none.fl_str_mv 2017-09-19
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/10316/83005
http://hdl.handle.net/10316/83005
TID:202122557
url http://hdl.handle.net/10316/83005
identifier_str_mv TID:202122557
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_ 1799133939907952640

Registros relacionados