GÖRÜNTÜ FİLTRELEME İLE DENETİMSİZ RETİNA DAMAR BÖLÜTLENMESİ İÇİN PARAMETRE ENİYİLEŞTİRİLMESİ

Öz

Göz hastalıklarının tespiti ve değerlendirilmesi için retina görüntüleri fundus adı verilen özelleştirilmiş bir kamera sistemi ile sayısal ortamda elde edilmektedir. Çeşitli gürültüler ve keskin olmayan zıtlık dolayısıyla gözdeki damarların uzmanlar tarafından tespiti zorlaşmakta ve bu durum uzmanların teşhis koymasını zorlaştırabilmektedir. Bu çalışmada, fundus görüntülerinden retina damar örgüsü bölütlenme başarısını arttırmak amacıyla denetimsiz görüntü işleme tabanlı matematiksel morfoloji ve Coye filtreleme ve bağlantılı bileşen analizi yaklaşımları kullanılmıştır. Ek olarak, retina görüntüleri gürültü giderme ve zıtlık arttırmak için ön işlemden geçirilmiştir. Denetimsiz görüntü işleme tabanlı yaklaşımların başarısını arttırmak üzere parametre optimizasyonu yapılmıştır. Görüntü işlemede sıklıkla kullanılan kontrast sınırlı adaptif histogram eşitleme (KSAHE) yönteminde renkli retina görüntüleri için en uygun kontrast üst sınır değeri araştırılmıştır. Önerilen yaklaşım, araştırmacıların erişimine açık DRIVE ve STARE veri kümelerinde test edilmiştir. Önceki denetimsiz öğrenme çalışmalarına kıyasla bazı metriklerde başabaş ve bazı metriklerde daha başarılı sonuçlara ulaşılmıştır.

Anahtar Kelimeler

• Retina Görüntüsü
• Damar Örüntü Bölütlemesi
• Denetimsiz Görüntü İşleme

PARAMETER OPTIMIZATION FOR UNSUPERVISED RETINAL VESSEL SEGMENTATION WITH IMAGE FILTERING

Öz

For the detection and evaluation of eye disorders, retinal pictures are obtained in a digital environment with a customized camera system called the fundus. Due to various noises and unsharp contrast, it is difficult to detect the vessels in the eye by specialists, and this can make it difficult for specialists to diagnose. In this study, unsupervised image processing-based mathematical morphology and Coye filtering, and connected component analysis approaches were used to increase the success of retinal vascular segmentation from fundus images. In addition, retinal images are preprocessed for noise reduction and increased contrast. Parameter optimization was performed to increase the success of unsupervised image processing-based approaches. In the contrast limited adaptive histogram equalization (CLAHE) method, which is frequently used in image processing, the most appropriate upper limit value for contrast on color retinal images was investigated. The presented approach tested on the DRIVE and STARE datasets available to researchers. Compared to previous unsupervised learning studies, some metrics were at par with the literature and some metrics were more successful.

Anahtar Kelimeler

• Retinal Image
• Vascular Pattern Segmentation
• Unsupervised Image Processing

Kaynakça

1. Akbar S., Sharif M., Akram M.U., Saba T., Mahmood T., 2019. Automated techniques for blood vessels segmentation through fundus retinal images: A review. Microscopy Research and Technique, 82 (2): 153-170.
2. Alhussein M., Aurangzeb K., Haider S.I., 2020. An unsupervised retinal vessel segmentation using Hessian and intensity based approach. IEEE Access, 8: 165056-165070.
3. Azzopardi G., Strisciuglio N., Vento M., Petkov N., 2015. Trainable COSFIRE filters for vessel delineation with application to retinal images. Medical Image Analysis, 19 (1): 46-57.
4. Dharmawan D. A. and Ng B. P., 2017. A new two-dimensional matched filter based on the modified Chebyshev type I function for retinal vessels detection. In Proc. 39th Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. (EMBC), pp. 369-372.
5. Dos Santos J.C.M., Carrijo G.A., dos Santos Cardoso C.D.F., Ferreira J.C., Sousa P.M. ve Patrocinio AC., 2020. Fundus image quality enhancement for blood vessel detection via a neural network using CLAHE and Wiener Filter. Research on Biomedical Engineering, 36: 107-119.
6. DRIVE: Digital Retinal Images for Vessel Extraction, 2012. 20 Ekim 2021 tarihinde https://drive.grand-challenge.org/ adresinden erişildi.
7. Fraz M.M., Barman S.A., Remagnino P., Hoppe A., Basit A. Uyyanonvara B., Rudnicka AR., Owen CG., 2012. An approach to localize the retinal blood vessels using bit planes and centerline detection. Computer Methods and Programs in Biomedicine, 108 (2): 600-616.
8. Hassanien A.E., Emary E., Zawbaa H.M., 2015. Retinal blood vessel localization approach based on bee colony swarm optimization, fuzzy c-means and pattern search. Journal of Visual Communication and Image Representation, 31: 186-196.

9. Hoover A. D., Kouznetsova V., Goldbaum M., 2000. Locating blood vessels in retinal images by piecewise threshold probing of a matched filter response. IEEE Transactions on Medical Imaging, vol. 19, no. 3, pp. 203-210.
10. Kumar D., Pramanik A., Kar S. S., Maity S. P., 2016. Retinal blood vessel segmentation using matched filter and laplacian of Gaussian. In Proc. Int. Conf. Signal Process. Commun. (SPCOM), pp. 1-5.
11. Li T., Bo W., Hu C., Kang H., Liu H., Wang K., Fu H., 2021. Applications of deep learning in fundus images: A review. Medical Image Analysis, 69: 101971.
12. Lim G., Cheng Y., Hsu W., Lee M. L., 2015. Integrated optic disc and cup segmentation with deep learning. In 2015 IEEE 27th International Conference on Tools with Artificial Intelligence (ICTAI), pp. 162-169.
13. Özçelik Y.B. and Altan A., 2021. Diyabetik retinopati teşhisi için fundus görüntülerinin derin öğrenme tabanlı sınıflandırılması. Avrupa Bilim ve Teknoloji Dergisi, 29: 156-167.
14. Retinal Diseases (2020, 31 Mart). 20 Ekim 2021 tarihinde https://www.mayoclinic.org/diseases-conditions/retinal-diseases/symptoms-causes/syc-20355825 adresinden erişildi.
15. Rodrigues J., Bezerra N., 2016. Retinal vessel segmentation using parallel grayscale skeletonization algorithm and mathematical morphology. In Proc. 29th SIBGRAPI Conf. Graph., Patterns Images (SIBGRAPI), pp. 17-24.
16. Sahu S., Singh A.K., Ghrera S.P., Elhoseny M., 2019. An approach for de-noising and contrast enhancement of retinal fundus image using CLAHE. Optics & Laser Technology, 110: 87-98.
17. Staal J., Abramoff M.D., Niemeijer M., Viergever M.A., Van Ginneken B., 2004. Ridge based vessel segmentation in color images of the retina. IEEE Transactions on Medical Imaging, 23 (4): 501-509.
18. STARE: Structured Analysis of The Retina, 2000. 20 Ekim 2021 tarihinde http://cecas.clemson.edu/~ahoover/stare/ adresinden erişildi.
19. Wang, W., Zhang, J., Wu, W., Zhou, S., 2018. An automatic approach for retinal vessel segmentation by multi-scale morphology and seed point tracking. Journal of Medical Imaging and Health Informatics, 8(2), 262–274.
20. Willoughby C.E., Ponzin D., Ferrari S., Lobo A., Landau K., Omidi Y., 2010. Anatomy and physiology of the human eye: effects of mucopolysacchridoses disease on structure and function: a review. Clinical & Experimental Ophthalmology, 38:2-11.
21. You X., Peng Q., Yuan Y., Cheung Y.M., Lei J., 2011. Segmentation of retinal blood vessels using the radial projection and semi-supervised approach. Pattern Recognition, 44 (10-11): 2314-2324.
22. Zhang B., Zhang L., Zhang L., Karray F., 2010. Retinal vessel extraction by matched filter with first-order derivative of Gaussian. Computers in Biology and Medicine, 40 (4): 438-445.
23. Zhang J., Dashtbozorg B., Bekkers E., Pluim J.P., Duits R., 2016. Robust retinal vessel segmentation via locally adaptive derivative frames in orientation scores. IEEE Transactions on Medical Imaging, 35 (12): 2631-2644.
24. Zhao Y.Q., Wang X.H., Wang X.F., Shih F.Y., 2014. Retinal vessels segmentation based on level set and region growing. Pattern Recognition, 47 (7): 2437-2446.