Алгоритм обнаружения диабетической ретинопатии сочинение пример

ООО "Сочинения-Про"

Ежедневно 8:00–20:00

Санкт-Петербург

Ленинский проспект, 140Ж

magbo system

Сочинение на тему Алгоритм обнаружения диабетической ретинопатии

В этой статье обсуждается использование методов многомасштабной амплитудно-частотной модуляции (AM-FM) для различения нормальных и патологических изображений сетчатки. Метод, представленный в этой статье, проверен с использованием стандартных изображений из раннего лечения диабетической ретинопатии. Они используют 120 областей размером 40 × 40 пикселей, содержащих четыре типа поражений, обычно связанных с диабетической ретинопатией (DR), и два типа нормальных областей сетчатки, которые были вручную отобраны обученным аналитиком. Типы областей включали микроаневризмы, экссудаты, неоваскуляризацию на сетчатке, кровоизлияния, нормальный фон сетчатки и паттерны нормальных сосудов. Кумулятивные функции распределения мгновенной амплитуды, мгновенной амплитуды частоты и относительного мгновенного частотного угла из нескольких масштабов используются в качестве векторов признаков текстуры. Использование метрик расстояния между извлеченными векторами признаков для измерения сходства между структурами включено. Результаты демонстрируют статистическую дифференциацию нормальных структур сетчатки и патологических повреждений на основе особенностей AM-FM. В целом, предлагаемая методология показывает значительные возможности для использования в автоматическом скрининге ДР.

Здесь представлена ​​новая методика моделирования на основе текстур, которая позволяет избежать трудностей, связанных с методами явной сегментации признаков, используемыми некоторыми современными методологиями при обнаружении DR на изображениях сетчатки. Этот подход использует методы амплитудно-частотной модуляции (AM-FM) для характеристики структур сетчатки. Основным вкладом исследования является строгая характеристика нормальных и патологических структур сетчатки на основе их характеристик мгновенной амплитуды (IA) и мгновенной частоты (IF), а также большой площади под рабочей характеристикой приемника (ROC) для обнаружения DR в изображения сетчатки. В этой статье анализируются шесть различных типов структур сетчатки в сетчатке и обсуждается, как можно использовать особенности текстуры AM-FM для их дифференциации.

Изображения были выбраны из онлайн-базы данных ETDRS. Изображение может быть аппроксимировано суммой компонентов AM-FM. Сначала выполняется извлечение компонентов AM-FM из каждого масштаба изображения. Концептуально, IF измеряет локальный частотный контент. При выражении в единицах циклов на миллиметр величина ПЧ не зависит от каких-либо поворотов изображения или аппаратных характеристик изображения сетчатки, поскольку она отражает фактические физические измерения локальной текстуры изображения, извлеченные из каждого масштаба изображения. Вместо того, чтобы использовать фактический угол IF, здесь используйте относительные углы. Здесь относительные углы оцениваются локально как отклонения от доминирующего угла окрестности. Таким образом, направленные структуры, такие как кровеносные сосуды, будут производить распределение относительных углов, сконцентрированное вокруг нуля. Компоненты AM-FM извлекаются из разных масштабов изображения. При более низких частотных масштабах значения величины ПЧ малы, а извлеченные функции AM-FM отражают медленно меняющуюся текстуру изображения. Двадцать семь оценок гистограммы AM-FM были вычислены в соответствии с тремя характеристиками AM-FM IA, IF и относительным углом для каждой из девяти CoS. Полосовые фильтры были реализованы с использованием конструкции равновеликих диадических фильтров с конечной импульсной характеристикой (FIR) и имеют полосу пропускания и пульсацию полосы останова, равную 0,001 и 0,0005 дБ соответственно. Алгоритм демодуляции AM-FM был создан для получения значительно улучшенных оценок AM-FM благодаря использованию равнопрофильного набора фильтров и аппроксимации линейных фаз с переменным интервалом. Затем в каждом пикселе для каждой комбинации шкал используется DCA для выбора функций AM-FM из полосового фильтра, который дал максимальную оценку IA.

Для характеристики структур сетчатки используются кумулятивные функции распределения (CDF) IA, IF и относительного угла. Поскольку диапазон значений каждой оценки варьируется в зависимости от используемого CoS, гистограммы (или pdf) вычисляются от глобального минимального значения до глобального максимального значения. Величина ПЧ (ПЧ) нечувствительна к направлению изменения интенсивности изображения. Кроме того, величина IF является функцией локальной геометрии, в отличие от медленно меняющихся изменений яркости, зафиксированных в IA. Таким образом, одна темная круглая структура на более светлом фоне будет иметь такое же распределение ПЧ, как и одна яркая круглая структура того же размера в более темной области. Примерно так обстоит дело с экссудатами (яркие пятна) и МА (темные пятна), когда они имеют сходные области. Оценки ЕСЛИ могут использоваться для дифференциации между двумя регионами, где один имеет один сосуд (как в нормальном сосуде сетчатки), и вторым регионом, который имеет несколько узких сосудов. Даже если обе области могут иметь информацию в одних и тех же частотных диапазонах, значения на гистограмме последней области будут больше.

Большее число гистограмм отражает тот факт, что большее количество пикселей демонстрируют эти частотные компоненты. Гистограмма для области с неоваскуляризацией будет иметь более высокий эксцесс (более выраженный пик), чем область, содержащая только один сосуд. Чтобы продемонстрировать, что методология, представленная в этой статье, может различать структуры в сетчатке, были выполнены два типа классификации. Первый ориентирован на классификацию небольших областей, содержащих структуры, а второй – на большую проблему классификации изображений сетчатки как DR или не DR.

Зарегистрируйся, чтобы продолжить изучение работы

    Поделиться сочинением
    Ещё сочинения
    Нет времени делать работу? Закажите!

    Отправляя форму, вы соглашаетесь с политикой конфиденциальности и обработкой ваших персональных данных.