Retinal Fundus image processing and ensemble learning: optic disc and optic cup detection
Notice bibliographique
Résumé
Ophthalmologists have widely used retinal fundus imaging systems to examine the health of the optic nerve, vitreous, macula, retina and their blood vessels. Many critical diseases, such as glaucoma and diabetic retinopathy, can be diagnosed by analyzing retinal fundus images. Retinal image-based glaucoma detection is a comprehensive diagnostic approach that examines the head cup-to-disc ratio (CDR) as an important indicator for detecting the presence and the extent of glaucoma in a patient. The accurate segmentations of the optic disc (OD) and optic cup (OC) are critical for the calculation of CDR. Machine learning based algorithms can be very helpful to efficiently exploit the vast amounts of retinal fundus data. In this thesis project, the main goal is to develop image processing and machine learning algorithms to automatically detect OD and OC from fundus images. This goal has been achieved by developing and applying several image enhancement techniques. First, an algorithm is proposed and tested on several fundus images to detect OD. The proposed algorithm is based on a combination of Contrast Limited Adaptive Histogram Equalization (CLAHE), Alternating Sequential Filters (ASF), thresholding, and Circular Hough Transform (CHT) methods. The results section highlights that the proposed algorithm is highly efficient in segmentation of OD from other parts of the fundus image. Several classification and modeling methods are studied in order to classify detected OD into OC and non-OC regions. In this thesis project three main ensemble modeling algorithms are studied to segment OC. The studied ensemble models are Random Forest, Gradient Boosting Machines (GBM), and Extreme Gradient Boosting Machines (XGBoost). The comparison between these models shows that they have more accurate results than conventional classification methods such as Logistic Regression (LR) or Support Vector Machines (SVM). This study shows that XGBoost is the fastest and most accurate approach to segment optic cup within the optic disc region.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».