Evaluación de métodos de segmentación de propósito general sobre imágenes de fondo de ojo

  1. O. Núñez 1
  2. F. Fumero 1
  3. J. Sigut 1
  4. S. Alayón 1
  1. 1 Universidad de La Laguna
    info

    Universidad de La Laguna

    San Cristobal de La Laguna, España

    ROR https://ror.org/01r9z8p25

Actas:
Jornadas de Automática (34ª.2013.Terrasa)
  1. Ramon Sarrate Estruch (ed. lit.)
  2. Joseba Quevedo Casín (ed. lit.)

Editorial: Comité Español de Automática CEA-IFAC ; Universitat Politécnica de Catalunya

ISBN: 978 84 616 5063 7

Año de publicación: 2013

Páginas: 131-139

Tipo: Aportación congreso

GOOGLE SCHOLAR

Resumen

La segmentación de las imágenes de fondo de ojo,también llamadas retinografías, resulta de granimportancia para el diagnóstico automático deenfermedades que afectan a la retina tales como elglaucoma. Existen gran cantidad de métodos desegmentación ad-hoc específicos para este tipo deimágenes y para las distintas regiones de interés adetectar. Al tratarse de técnicas ad-hoc, hay quediseñarlas específicamente para cada problema yson difícilmente reutilizables. Una alternativa a estaestrategia podría ser la utilización de métodos desegmentación de propósito general que han sido yaextensamente probados con bastante éxito sobreimágenes de escenas naturales. La aplicación deestos métodos en el ámbito médico es todavía escasa.El objetivo principal de este trabajo es demostrar, através de una evaluación exhaustiva, que es posibleobtener buenos resultados aplicando también estastécnicas a retinografías, habitualmente más ruidosasy con menos contraste que las imágenes naturales.Para ello se han considerado algunos de losalgoritmos de segmentación más citados y que estánconsiderados como del estado del arte en numerosasaplicaciones.

Referencias bibliográficas

  • M. D. Abràmoff et al., "Automated segmentation of the optic disc from stereo color photographs using physiologically plausible features.," Investigative Ophthalmology Vis Sci., 2007.
  • R. Achanta et al., "Slic superpixels compared to state-of-the-art superpixel methods," IEEE Trans. Pattern Anal. and Mach. Intell, 2012.
  • R. Achanta et al. SLIC Superpixels source code. [Online]. http://ivrg.epfl.ch/research/superpixels
  • R. R. Allingham, K. F. Damji, S. Freedman, S. E. Moroi, and G. Shafranov, Shields’ Textbook of Glaucoma., 2005.
  • A. Aquino, M. Gegundez-Arias, and D. Marin, "Detecting the optic disc boundary in digital fundus images using morphological, edge detection and feature extraction techniques.," IEEE Trans. Med. Imag., 2010.
  • P. Arbelaez, M. Maire, C. Fowlkes, and J. Malik, "Contour Detection and Hierarchical Image Segmentation," 2011.
  • P. Arbelaez, M. Maire, C. Fowlkes, and J. Malik. Contour Detection and Image Segmentation Resources. [Online]. http://www.eecs.berkeley.edu/Research/Project s/CS/vision/grouping/resources.html
  • P. Arbelaez, M. Maire, C. Fowlkes, and J. Malik, "From Contours to Regions : An Empirical Evaluation.," 2009 IEEE Conference on Computer Vision and Pattern Recognition., 2009.
  • J. Cheng et al., "Superpixel Classification Based Optic Disc and Optic Cup Segmentation for Glaucoma Screening.," IEEE Transactions on Medical Imaging, 2013.
  • D. Comaniciu and P. Meer, "Mean shift: A robust approach toward feature space analysis," PAMI, 2002.
  • D. Comaniciu and P. Meer. Mean-shift image segmenation and edge detection source code. [Online]. http://www.caip.rutgers.edu/ riul/research/code/EDISON/index.html
  • T. Cour, F. Benezit, and J. Shi. Multiscale Normalized Cuts Segmentation Toolbox for MATLAB. [Online]. http://www.timotheecour.com/software/ncut_m ultiscale/ncut_multiscale.html
  • T. Cour, F. Benezit, and J. Shi, "Spectral segmentation with multiscale graph decomposition," CVPR, 2005.
  • M. Everingham, L. van Gool, C. Williams, J. Winn, and A. Zisserman, "PASCAL 2008 Results," http://www.pascalnetwork.org/challenges/VOC/voc2008/worksho p/index.html, 2008.
  • P. Felzenszwalb and D. Huttenlocher, "Efficient graph-based image," IJCV, 2004.
  • P. Felzenszwalb and D. Huttenlocher. Efficient graph-based segmentation source code. [Online]. http://cs.brown.edu/~pff/segment/
  • J. Freixenet, X. Muñoz, D. Raba, J. Martí, and X. Cufí, "Yet another survey on image segmentation: Region and boundary information integration.," 2002.
  • K. Fukunaga and L. Hostetler, "The estimation of the gradient of a density function, with applications in pattern recognition.," IEEE Transactions on Information Theory, 1975.
  • M. Gonzalez de la Rosa et al., "Measuring hemoglobin levels in the optic nerve head: comparisons with other structural and functional parameters of glaucoma.," Invest Ophthalmol Vis Sci., 2013.
  • D. Hoiem, A. A. Efros, and M. Hebert, "Geometric context from a single image," ICCV, 2005.
  • T. Kauppi et al. DIARETDB1 - Standard Diabetic Retinopathy Database. [Online]. http://www2.it.lut.fi/project/imageret/diaretdb1/
  • D. Martin, C. Fowlkes, and J. Malik, "Learning to detect natural image boundaries using local brightness, color and texture cues.," PAMI, 2004.
  • M. Meila, "Comparing clusterings: an axiomatic view.," ICML, 2005.
  • C. Muramatsu et al., "Automated segmentation of optic disc region on retinal fundus photographs: Comparison of contour modeling and pixel classification methods.," Comput. Methods Programs Biomed., 2011.
  • M. Niemeijer, J. S. Staal, B. van Ginneken, M. Loog, and M. D. Abramoff, "Comparative study of retinal vessel segmentation on a new publicly available database.," Medical Imaging: Image Analysis., 2004.
  • B. Peng, L. Zhang, and D. Zhang, "A survey of graph theoretical approaches to image segmentation," Pattern Recognition, 2013.
  • W. M. Rand, "Objective criteria for the evaluation of clustering methods.," Journal of the American Statistical Association, 1971.
  • J.J. Staal, M.D. Abramoff, M. Niemeijer, B. van Ginneken, and M. A. Viergever. DRIVE: Digital Retinal Images for Vessel Extraction. [Online]. http://www.isi.uu.nl/Research/Databases/DRIV E/ XXXIV Jornadas de Automática. Terrassa, 4 al 6 de Septiembre de 2013 138
  • J. Staal, M. D. Abramoff, M. Niemeijer, M. A. Viergever, and G. B. van, "Ridge-based vessel segmentation in color images of the retina," IEEE Trans. Med. Imaging, 2004.
  • J. Xu, O. Chutatape, E. Sung, C. Zheng, and P. C. T. Kuan, "Optic disk feature extraction via modified deformable model technique for glaucoma analysis.," Pattern Recognit., 2007.
  • J. Xu, H. Ishikawa, G. Wollstein, and J. S. Schuman, "3D Optical Coherence Tomography Super Pixel with Machine Classifier Analysis for Glaucoma Detection.," Conf. Proc. IEEE Eng Med Biol Soc., 2011.
  • X. Zhu and R. M. Rangayyan, "Detection of the optic disc in images of the retina using the hough transform.," Int. Conf. of IEEE Eng in Med. and Bio. Soc., 2008.