Vascular Analysis from Retinal Images Using Machine Learning Methods
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
Degree programme
Language
en
Pages
51
Series
Abstract
The growing use of deep learning in medical image segmentation has enabled significant advantages in the field. Retina image segmentation can help detect early signs of eye diseases such as glaucoma, diabetic retinopathy, and retinal macular degeneration. These diseases are related to microvascular changes in the retina, and their early diagnosis can prevent disease progression and preserve vision. The microvascular changes affect the arteriolar-to-venular ratio (AVR), which is around 2/3 for a healthy eye. AVR is derived by dividing the central retinal artery equivalent (CRAE) of the main arteries by the central retinal vein equivalent (CRVE) of the main veins in the region of interest (ROI) which is near the optic disc in the retina. In this thesis, several U-Net and U-Net-R architectures are applied for retina image segmentation to calculate the AVR. The process involves locating the optic disc to define ROI, preprocessing the retina images, and training the networks to segment the vessels into arteries and veins. From these segmented images, the diameters of the arteries and veins are calculated using skeletonisation and dilation techniques to derive CRAE and CRVE to calculate AVR. These values are compared with AVR results calculated from ground truth images. The best U-Net model and the best U-Net-R model were both implemented with the DiceCE loss function, with a Dice score of 0.779 and 0.806, respectively. The performance of the proposed AVR calculation method is presented, together with an evaluation of its limitations and future potential.Lääketieteellisessä kuvasegmentoinnissa on pystytty käyttämänään ja kehittämään syväoppimista. Silmäpohjakuvien segmentointi voi auttaa havaitsemaan silmäsairauksien, kuten glaukooman, diabeettisen retinopatian ja makuladegeneraation, varhaisia merkkejä. Nämä sairaudet liittyvät silmänpohjan mikroverisuonimuutoksiin, ja niiden varhainen diagnosointi voi estää sairauden etemisen ja mahdollisen sokeutumisen. Mikroverisuonimuutokset vaikuttavat silmänpohjan valtimo-laskimosuhteeseen (AVR), joka on terveessä silmässä noin 2/3. AVR lasketaan jakamalla päävaltimoiden keskitetyn verkkokalvon valtimovastuuden (CRAE) päälaskimoiden keskitetyn verkkokalvon laskimovastuudella (CRVE) lähellä näköhermon päätä verkkokalvolla eli kiinnostusalueella (ROI). Tässä diplomityössä käytetään erilaisia U-Net- ja U-Net-R-arkkitehtuureita silmänpohjan kuvien segmentoiniin AVR:n laskemiseksi. Prosessiin kuuluu näköhermon pään paikantaminen ROI-alueen määrittämiseksi, verkkokalvon kuvien esikäsittely sekä syväoppimismallien kouluttaminen segmentoimaan verisuonet valtimoiksi ja laskimoiksi. Näistä segmentoiduista kuvista valtimoiden ja laskimoiden läpimitat lasketaan käyttämällä verisuonien keskilinjaa ja pikselitason laajennustekniikoita. Näitä arvoja käytetään CRAE:n ja CRVE:n laskemiseen, joita käytetään lopuksi AVR:n laskemiseen. Tuloksia verrataan AVR-arvoihin, jotka on laskettu vertailukuvista (ground truth). Paras toteutettu U-Net- ja paras U-Net-R-malli toteutettiin molemmat DiceCE-häviöfunktiolla, ja niiden Dice-tulokset olivat 0,779 ja 0,806. Diplomityössä esitetään myös ehdotetun AVR-laskentamenetelmän suorituskyky sekä sen rajoitusten ja tulevaisuuden mahdollisuuksien arviointi.Description
Supervisor
Linna, RikuThesis advisor
Saukkoriippi, MikkoSahlsten, Jaakko