Detection of Microaneurysms and Hemorrhages in Fundus Image for Glaucoma Diagnosis

Abstract

Eye is the most sensitive and valuable organ of vision which helps us to visualize the world around us. Due to the high pressure in the eye, the optic nerve fails to transmit the signal to the brain; such a disorder is called Glaucoma. Detection of Microaneurysms and Hemorrhages are validated from the fundus image. To extract the shape features Morphological image flooding is used. In this approach, candidate regions are first segmented, Feature Extraction is done by Dynamic Shape Features. Further the classification process is carried out using Random Forest (RF) classifier method. The process of screening is evaluated on publicly available database Diaretdb1 with the resolution of 1152 x 1500 pixels for both healthy and abnormal images. The performance of segmentation in this method is evaluated in terms of sensitivity, specificity, and segmentation accuracy. In future, this methodology can be applied to larger clinical dataset in order to detect the disease at the maximum level.

Detecção De Glaucoma Usando Redes Em Cápsula

“…Para tanto, foram feitos testes utilizando duas técnicas de préprocessamento a fim de comparar os resultados: especificação de histograma e uma técnica similar à que foi aplicada em (Shanti et al, 2018), utilizando a normalização minmax para manter os valores dos pixels limitados a um determinado intervalo, a remoção de ruídos que, resumidamente, substitui os pixels de uma imagem com a média das cores de pixels similares (Buade et al, 2011), e por último a aplicação do CLAHE, uma equalização de histograma baseada em regiões da imagem. A Figura 5 mostra alguns exemplos do resultado da aplicação das funções de normalização, remoção de ruído (Buade et al, 2011) e CLAHE, baseado em (Shanti, R., 2018). Por serem provenientes de diferentes fontes, as imagens da base de dados utilizada apresentam uma grande variação de cores.…”

“…Utilizou-se a implementação do trabalho de Bergstra et al (2015) para estimar os melhores hiperparâmetros e definir uma versão otimizada da Capsnet. Os resultados utilizando a técnica de processamento baseada em Shanti et al (2018) mostraram os melhores resultados, alcançando 85,29% de acurácia, 81,77% de sensibilidade e 88,28% de especificidade. Testes incluindo a segmentação dos vasos sanguíneos em conjunto com a retinografia apresentaram resultados promissores e podem futuramente ultrapassar estes resultados.…”