<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Методи сегментації оптичних зображень очного дна

Ескіз

Файли

162163.pdf (1,1 MB)

Дата

2024

Автори




Науковий керівник

Редактор

Інші учасники

Відповідальний

ORCID

https://orcid.org/0000-0002-0185-7490

Назва журналу

Номер ISSN

Назва тому

Видавець

Вінницький національний технічний університет

DOI

https://doi.org/10.31649/1681-7893-2024-47-1-155-165

Альтернативна назва

Optical fundus image segmentation methods

Анотація

The paper presents a comparative analysis and evaluation of methods for segmenting optical fundus images in order to study their efficiency, accuracy, completeness, and computational complexity in Matlab. The methods analyzed are Otsu, adaptive thresholding, Watershed, K-means, maximum expectation algorithm (EM), and Frangi method. The features, advantages and disadvantages in the context of application for the diagnosis of fundus diseases are considered
У статті проводиться порівняльний аналіз та оцінювання методів сегментації оптичних зображень очного дна з метою дослідження їх ефективності, точності, повноти та обчислювальної складності у Matlab. Проаналізовані методи Otsu, адаптивного порогування, Watershed, K-середніх, алгоритм максимальної очікуваності (EM) та метод Франгі. Розглянуто особливості, переваги та недоліки в контексті застосування для діагностики захворювань очного дна

Опис

Ключові слова

очне дно , Matlab , метод сегментації оптичних зображень , Fundus , optical image segmentation method

УДК

004.9

Тип документа

Article, professional native edition
Article

Мова

uk

Є частиною

Оптико-електроннi iнформацiйно-енергетичнi технологiї. №1 : 155–165.

ISSN

1681-7893

Посилання на публікацію

https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/701

Серія, номер

ISBN

ББК

Інші ідентифікатори

Пов’язані матеріали

Спонсорська підтримка

Правовласник

Бібліографічний опис

Андрікевич С. А., Тужанський С. Є. Методи сегментації оптичних зображень очного дна // Оптико-електроннi iнформацiйно-енергетичнi технологiї. 2024. Том 47, № 1. С. 155–165.

URI

https://ir.lib.vntu.edu.ua/handle/123456789/43397

Зібрання

Оптико-електронні інформаційно-енергетичні технології. 2024. № 1
Наукові видання каф. БМІОЕС

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (24)

  1. Wójcik, W., Pavlov, S., Kalimoldayev, M. (2019). Information Technology in Medical Diagnostics II. London: Taylor & Francis Group, CRC Press, Balkema book. – 336 Pages, https://doi.org/10.1201/ 9780429057618. eBook ISBN 9780429057618.
  2. Grychaniuk, I., & Nosovets, O. (2021). Analysis of data augmentation methods for retinal vessel segmentation tasks. Molodyi vchenyi, 10 (98), 1-5. URL: https://doi.org/10.32839/2304-5809/2021-10- 98-23
  3. Almotiri, J.; Elleithy, K.; Elleithy, A. (2018). Retinal Vessels Segmentation Techniques and Algorithms: A Survey. Appl. Sci., 8, 155. URL: https://doi.org/10.3390/app8020155
  4. Ilesanmi, A. E., Ilesanmi, T., & Gbotoso, G. A. (2023). A systematic review of retinal fundus image segmentation and classification methods using convolutional neural networks. Healthcare Analytics, 4, 100261. ISSN 2772-4425. URL: https://doi.org/10.1016/j.health.2023.100261.
  5. Gilat, A. (2004). MATLAB: An Introduction with Applications 2nd Edition. John Wiley & Sons. ISBN 978-0-471-69420-5.
  6. Retinal Image Preprocessing: Background and Noise Segmentation. ResearchGate. URL: https://www.researchgate.net/publication/260350802_Retinal_Image_Preprocessing_Background_and_ Noise_Segmentation
  7. Sarki, R., Ahmed, K., Wang, H., Zhang, Y., Ma, J., & Wang, K. (2021). Image Preprocessing in Classification and Identification of Diabetic Eye Diseases. Data Sci Eng., 6(4), 455-471. URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8370665/
  8. Niemeijer, M., Staal, J., van Ginneken, B., Loog, M., & Abramoff, M. D. (2004). Comparative study of retinal vessel segmentation methods on a new publicly available database. Proc. SPIE 5370, Medical Imaging 2004: Image Processing, (12 May 2004). URL: https://doi.org/10.1117/12.535349
  9. Saha Tchinda, B., Tchiotsop, D., Noubom, M., Louis-Dorr, V., & Wolf, D. (2021). Retinal blood vessels segmentation using classical edge detection filters and the neural network. Informatics in Medicine Unlocked, 23, 100521. ISSN 2352-9148. URL: https://doi.org/10.1016/j.imu.2021.100521
  10. Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9(1), 62-66. URL: https://ieeexplore.ieee.org/document/4310076
Google Scholar