Please use this identifier to cite or link to this item: https://repositorio.ifgoiano.edu.br/handle/prefix/2450
metadata.dc.type: Tese
Title: Técnicas de Aprendizado de Máquinas na Segmentação Automática dos Vasos Sanguíneos da Retina
Other Titles: Machine Learning Techniques in Automatic Segmentation of Retinal Blood Vessels.
metadata.dc.creator: Santos, Jucelino Cardoso Marciano Dos
metadata.dc.contributor.advisor1: Carrijo, Gilberto Arantes
metadata.dc.contributor.referee1: Ferreira, Júlio César
metadata.dc.contributor.referee2: Pais, Monica Sakuray
metadata.dc.contributor.referee3: Veiga, Antônio Claudio Paschoarelli
metadata.dc.contributor.referee4: Carneiro, Milena Bueno Pereira
metadata.dc.description.resumo: As imagens de retinografias, ou imagens de fundo de olho, são obtidas por meio da pupila e fornecem uma representação direta do sistema nervoso e vascular do corpo humano, são facilmente alteradas na presença de patologias diversas, por isso o grande interesse em imagens de retinografia. Doenças como lúpus, diabetes, zika, glaucoma, dentre outras produzem significativas alterações das estruturas anatômicas. Neste sentido, marcos anatômicos como o disco óptico, a mácula e vasos sanguíneos são marcadores importantes nos exames oftalmológicos. Consequentemente, muitos especialistas aplicam técnicas de processamento digital de imagens com objetivo de analisar, localizar e identificar tais estruturas. Em particular a segmentação dos vasos sanguíneos é um dos elementos chaves para compor sistemas de triagem ou diagnóstico automáticos. Por exemplo, a detecção de hemorragias presentes na estrutura vascular da retina pode indicar uma enfermidade como retinopatia diabética, doenças cardiovasculares entre outras. Diante disso, o objetivo geral deste trabalho é desenvolver e avaliar estratégias baseadas em Artificial Neural Network (ANN) e Convolutional Neural Network (CNN), a fim de aumentar o desempenho em segmentação de imagens de fundo de olho com ênfase nos vasos sanguíneos em termos das métricas de avaliação sensibilidade, especificidade e precisão utilizadas em imagens médicas. São propostas duas abordagens para segmentar os vasos sanguíneos em imagens de fundo de olho, de forma que as contribuições podem ser listadas como: (i) adaptação de um modelo Multilayer Perceptron (MLP) para a detectar os vasos sanguíneos, com resultados equivalentes ao estado da arte e (ii) adaptação do modelo Convolutional Neural Network (CNN), arquitetura U-Net, para segmentação dos vasos sanguíneos, com diferencial de utilizar todas as informações do modelo de cores rgb. A metodologia proposta foi avaliada nos bancos de dados publicamente disponíveis: Digital Retinal Images for Vessel Extraction (DRIVE) e Structured Analysis of the Retina (STARE). As arquiteturas MLP e CNN U-Net forneceram resultados expressivos em relação ao estado da arte, com medidas de precisão de 0.9487 e 0.9715 no banco de dados DRIVE. (Tese Defendida na Universidade Federal de Uberlândia - UFU; Faculdade de Engenharia Elétrica - FEELT)
Abstract: The images of retinographies, or images of the fundus of the eye, are obtained through the pupil and provide a direct representation of the nervous and vascular system of the human body, they are easily altered in the presence of different pathologies, hence the great interest in retinography images. Diseases such as lupus, diabetes, Zika, glaucoma, among others, produce significant changes in anatomical structures. In this sense, anatomical landmarks such as the optic disc, the macula and blood vessels are important markers in ophthalmologies exams. Consequently, many specialists apply digital image processing techniques in order to analyze, locate and identify such structures. In particular, the segmentation of blood vessels is one of the key elements to compose automatic screening or diagnosis systems. For example, the detection of hemorrhages present in the vascular structure of the retina can indicate a disease such as diabetic retinopathy, cardiovascular diseases, among others. Therefore, the general objective of this work is to develop and evaluate strategies based on Artificial Neural Network (ANN) and Convolutional Neural Network (CNN), in order to increase the performance in fundus image segmentation with an emphasis on blood vessels in terms of sensitivity, specificity and precision assessment metrics used in medical imaging. Two approaches are proposed to segment blood vessels in fundus images, so that the contributions can be listed as: (i) adaptation of a model Multilayer Perceptron (MLP) to detect the blood vessels, with results equivalent to the state of the art and (ii) adaptation of the CNN model, UNet architecture, for blood vessel segmentation, with the differential of using all the information of the RGB color model. The proposed methodology was evaluated in the publicly available databases: Digital Retinal Images for Vessel Extraction (DRIVE) and Structured Analysis of the Retina (STARE). The MLP and CNN UNet architectures provided expressive results in relation to the state of the art, with precision measurements of 0.9487 and 0.9713 in the DRIVE database.
Keywords: Imagens de fundo de olho
Pré-processamento digital de imagem
Segmentação dos vasos sanguíneos
Artificial Neural Network
Convolutional Neural Network
metadata.dc.subject.cnpq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
metadata.dc.language: por
metadata.dc.publisher.country: Brasil
Publisher: Instituto Federal Goiano
metadata.dc.publisher.initials: IF Goiano
metadata.dc.publisher.department: Instituição externa ao IF Goiano (especificar no Resumo/abstract)
metadata.dc.publisher.program: Instituição externa (descrever o nome da instituição no resumo/abstract)
Citation: SANTOS, Jucelino Cardoso Marciano dos. Técnicas de aprendizado de máquinas na segmentação automática dos vasos sanguíneos da retina. 2022. 141 f. Tese (Doutorado em Engenharia Elétrica) - Universidade Federal de Uberlândia, Uberlândia, 2022. DOI http://doi.org/10.14393/ufu.te.2022.129.
metadata.dc.rights: Acesso Embargado
metadata.dc.identifier.doi: https://repositorio.ufu.br/handle/123456789/34277
URI: https://repositorio.ifgoiano.edu.br/handle/prefix/2450
Issue Date: 18-Feb-2022
Appears in Collections:Teses e dissertações defendidas em outras Instituições

Files in This Item:
File Description SizeFormat 
TecnicasAprendizagemMaquinas_A.pdf14,38 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.