An Automatic Localization of Microaneurysms in Retinal Fundus Images

Murugan, R.; Albert, Anitha Juliette; Nayak, Deepak Kumar

doi:10.1109/icsss.2019.8882858

Cited by 6 publications

(2 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…These findings imply that accurate identification of the shapes of MAs might be useful in the future to improve prediction of DR worsening or improvement. However, existing models for MA segmentation and classification have been trained on standard fundus photographs and therefore can only predict the number of MAs and their locations [19][20][21][22][23][24], because the resolution of standard fundus photography is not sufficient to analyse the shape of individual MAs. In contrast, the AOSLO imaging technique provides ultra-high resolution retinal images that can be used to classify MA morphologies [13].…”

Section: Introductionmentioning

confidence: 99%

AOSLO-net: A deep learning-based method for automatic segmentation of retinal microaneurysms from adaptive optics scanning laser ophthalmoscope images

Zhang¹,

Sampani²,

Xu³

et al. 2021

Preprint

View full text Add to dashboard Cite

Microaneurysms (MAs) are one of the earliest signs of diabetic retinopathy (DR), a frequent complication of diabetes that can lead to visual impairment and blindness. Adaptive optics scanning laser ophthalmoscopy (AOSLO) provides real-time retinal images with resolution down to ∼2 µm and thus allows detection of the morphologies of individual MAs, a potential marker that might dictate MA pathology and affect the progression of DR. In contrast to the numerous automatic models developed for assessing the number of MAs on fundus photographs, currently there is no high throughput image protocol available for automatic analysis of AOSLO photographs. To address this urgency, we introduce AOSLO-net, a deep neural network framework with customized training policies to automatically segment MAs from AOSLO images. We evaluate the performance of AOSLO-net using 87 DR AOSLO images and our results demonstrate that the proposed model outperforms the state-of-the-art segmentation model both in accuracy and cost and enables correct MA morphological classification.

show abstract

Section: Introductionmentioning

confidence: 99%

AOSLO-net: A deep learning-based method for automatic segmentation of retinal microaneurysms from adaptive optics scanning laser ophthalmoscope images

Zhang¹,

Sampani²,

Xu³

et al. 2021

Preprint

View full text Add to dashboard Cite

show abstract

“…Murugan vd. [6], DR'nin ilk ve klinik belirtisi olan Retinal Mikroanevrizmalar'ı giriş retina görüntüler arasından lokalize etmek için otomatik bir sistem önermektedirler. Çalışmalarında DIREVE, STARE ve DIARETDB0 veri setlerini kullanmışlardır.…”

unclassified

Detection of Lesions On Retinal Images Using The Regional-Convolutional Neural Networks

Uzun

2020

Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi

View full text Add to dashboard Cite

Şeker hastalığı gözün yapısını etkileyen ve görme kayıplarına sebep olan bir hastalıktır. Göz yapısında çok çeşitli lezyon türlerinin oluşmasına neden olur. Retina görüntüleri üzerinde bulunan bu lezyonlar farklı hastalıkların belirtisi olmaktadır. Bu hastalıkların başında en bilineni diyabetik retinopati rahatsızlığıdır. Bu rahatsızlığı erken teşhis ve tedavisinde lezyonların tespiti oldukça önemli olmaktadır. Yapılan çalışmada, retina görüntüleri üzerinde bulunan lezyonların tespiti için Bölgesel-Evrişimsel Sinir Ağları temelli bilgisayar destekli tespit sistemi önerilmiştir. Önerilen bu sistemle göz hastalıkları alanda çalışan uzmanların teşhis ve tedavisine destek olması hedeflenmiştir. Çalışmada kullanılan retina görüntüleri STARE, DIARETDB0 ve DIARETDB1 veri tabanlarından elde edilmiştir. Kullanılan veri tabanlarında bulunan görüntülerin %70’i eğitim ve %30’u test görüntüsü olarak ayrılmıştır. Bölgesel-Evrişimsel Sinir Ağları, eğitim aşamasında çok fazla veriye ihtiyaç duymasından dolayı eğitim görüntülerin etiketlenmesi amacıyla dikdörtgen şeklinde ve tek görüntü üzerinden birden fazla alanın seçilmesine imkan sağlayan bir bölge seçicide tasarlanmıştır. Retina görüntüleri derin öğrenme uygulamalarında sıkça kullanılan cifar-10 ön-eğitimli ağı üzerinde eğitilmiştir. Eğitimler sonunda yapılan test işlemlerinde STARE, DIARETDB0 ve DIARETDB1 veri tabanlarında sırasıyla lezyonu bölgeyi bulma başarımları %91, %98.53 ve %93.01 doğruluk ile başarılı bir şekilde tespit etmiştir.

show abstract

An Improved Accuracy Rate in Microaneurysms Detection in Retinal Fundus Images Using Non-local Mean Filter

Mohan

Murugan

Goel

et al. 2020

Communications in Computer and Information Science

View full text Add to dashboard Cite

An Automatic Localization of Microaneurysms in Retinal Fundus Images

Cited by 6 publications

References 9 publications

AOSLO-net: A deep learning-based method for automatic segmentation of retinal microaneurysms from adaptive optics scanning laser ophthalmoscope images

AOSLO-net: A deep learning-based method for automatic segmentation of retinal microaneurysms from adaptive optics scanning laser ophthalmoscope images

Detection of Lesions On Retinal Images Using The Regional-Convolutional Neural Networks

An Improved Accuracy Rate in Microaneurysms Detection in Retinal Fundus Images Using Non-local Mean Filter

Contact Info

Product

Resources

About