Segmentação de disco ótico e vasos sanguíneos em imagens retinais usando wavelets, morfologia matemática e filtragem multiescalas baseada em hessianas

Abstract

The importance of an accurate and early diagnosis of retinal diseases has motivated the development of vision techniques necessary for a complete automatic evaluation of the retinal system conditions. In this thesis, we present a new algorithm that applies wavelet transform and mathematical morphology for optical disc detection and explore the blood vessels tubular characteristics in Gaussian scale space to segment veins and arteries. Optic disc and the vascular structure are essential for the analysis of the retinal image. Instead of using empirical attempts to choose the best parameters for vessel detection, genetic algorithm (GA) and its sequences of generations and intersections are used. However, the technique of exploring vessel tubular characteristics reaches its limit when vessels are represented by curvilinear sequences and not continuous 1 pixel wide. To overcome this limitation, a new methodology based on the Steger algorithm for segmenting curvilinear structure was created for the vessels not reached by the detector in scale space. The curvilinear detector will identify and attach the lines to the main vessels using the shortest path algorithm developed by Dijkstra, completing the segmentation of wide and thin vessels. The proposed method was developed and tested on two freely available open image databases: DRIVE (Digital Retinal Images for Vessel Extraction) containing 40 annotated retinal images and HRF-DB (High Resolution Fundus Image Database ) that contains 45 annotated images. The experimental results of the method are demonstrated and exhibit an average accuracy of 0.9503 in the DRIVE image database and 0.9445 in the HRF-DB. Such levels of accuracy are close to the state of the art, which are more complex and require one, occasionally two, preprocessing modules, while this method does not require pre or post processing. The developed method has an average processing time, for each image, of 35 seconds and was implemented in a Intel Core i5-3320 processor, 2.60 GHz CPU with 8 GB of RAM.

A importância de um acurado e precoce diagnostico de doenças retinais tem motivado o desenvolvimento de técnicas de visão computacional necessárias para uma completa avaliação automática das condições do sistema retinal. Nesta tese, apresentamos um novo algoritmo que aplica transformadas wavelets e morfologia matemática na detecção do disco ótico e exploramos as características tubulares dos vasos sanguíneos em espaço de escalas Gaussianas para segmentar veias e artérias. O disco ótico e a estrutura vascular são essenciais para a análise da imagem retinal. Em vez de usar tentativas empíricas para escolher os melhores parâmetros para segmentação de vasos, foi utilizado algoritmo genético (GA) e suas sequências de gerações e cruzamentos. Entretanto, a técnica de explorar as características tubulares dos vasos chega ao seu limite quando os vasos são representados por sequências curvilíneas e não continuas de 1 pixel de largura. Para superar essa limitação, foi criada uma nova metodologia baseada no algoritmo de Steger para segmentar uma estrutura curvilínea de duas dimensões que não são alcançadas pelo detector de vasos em espaço de escalas. O detector de estrutura curvilínea irá identificar e anexar as linhas aos vasos principais usando o algoritmo de caminho mais curto de Dijkstra, completando a segmentação de vasos grossos é nos. O método proposto foi desenvolvido e testado sobre duas bases de imagens abertas e gratuitamente disponíveis: DRIVE (Digital Retinal Images for Vessel Extraction) que contém 40 imagens retinais anotadas e sobre HRF-DB (High Resolution Fundus Image Database) que contém 45 imagens anotadas. Os resultados experimentais do método são demonstrados e exibem uma acurácia média de 0.9503 no banco de imagens DRIVE e 0.9445 no HRF-DB. Tais níveis de acurácia estão próximos ao estado da arte, que são mais complexos e requerem um, ocasionalmente dois, módulos de pré processamento, enquanto este método não requer pré ou pós processamento. O método desenvolvido possui um tempo médio de processamento, para cada imagem, de 35 segundos e for desenvolvido em um processador Intel Core i5-3320, CPU de 2.60 GHz com 8 GB de RAM.