Оценка качества цифровых изображений сетчатки


https://doi.org/10.21122/2309-4923-2021-4-25-38

Полный текст:


Аннотация

Диабетическая ретинопатия (ДР) – это болезнь, вызванная осложнениями сахарного диабета. Она начинается бессимптомно и может закончится слепотой. Для ее обнаружения медики используют специальные фотокамеры, позволяющие регистрировать изображения сетчатки глаза в видимом диапазоне электромагнитного спектра. На этих изображениях видны признаки осложнений, по которым определяется наличие ДР и ее стадия. Исследователи всего мира разрабатывают системы автоматизированного анализа изображений сетчатки. В настоящее время уровень точности классификации заболеваний, вызванных ДР, системами на базе машинного обучения сопоставим с уровнем квалифицированных медиков.

В статье показано разнообразие вариантов представления сетчатки на цифровых изображениях. Поставлена задача разработки универсального подхода к оценке качества изображения сетчатки, полученного произвольной камерой. Она решается в первом блоке любой автоматизированной системы анализа изображений сетчатки. Процедура оценки качества выполняется в несколько этапов. На первом этапе необходимо выполнить бинаризацию исходного изображения и построить маску сетчатки. Такая маска индивидуальна для каждого изображения даже среди изображений, зарегистрированных одной камерой. Для этого предлагается новый универсальный алгоритм бинаризации изображения сетчатки. Анализируя построенную маску, можно определить и удалить изображения-выбросы, на которых представлена не сетчатка, а другие объекты. Далее решается задача оценки качества изображений в отсутствии эталона и их классификация на два класса: удовлетворительные и неудовлетворительные для дальнейшего анализа. Поэтапно оценивается контраст, резкость и возможность выделения сосудистой системы изображения сетчатки. Показано, что задача оценки качества произвольного изображения сетчатки может быть решена.

Эксперименты выполнялись на разнообразных изображениях из доступных баз данных.


Об авторах

В. B. Старовойтов
Объединенный институт проблем информатики Национальной академии наук Беларуси
Беларусь

Старовойтов Валерий Васильевич, доктор технических наук, профессор, главный научный сотрудник

г. Минск



Ю. И. Голуб
Объединенный институт проблем информатики Национальной академии наук Беларуси
Россия

Голуб Юлия Игоревна, кандидат технических наук, доцент, старший научный сотрудник

г. Минск



М. М. Лукашевич
Белорусский государственный университет информатики и радиоэлектроники
Беларусь

Лукашевич Марина Михайловна, кандидат технических наук, доцент, докторант

г. Минск



Список литературы

1. Diabetes – Statistics & Facts [Электронный ресурс]. – Режим доступа: https://www.statista.com/topics/1723/diabetes/#dossierKeyfigures. – Дата доступа: 03.11.2021.

2. Tilahun M., et al. Prevalence of Diabetic retinopathy and its associated factors among diabetic patients at Debre Markos referral hospital, Northwest Ethiopia, 2019: hospital-based cross-sectional study, Diabetes, Metabolic Syndrome and Obesity: Targets and Therapy. – 2020. – Vol.13. – pp.2179.

3. Krause J., et al. Grader variability and the importance of reference standards for evaluating machine learning models for diabetic retinopathy, Ophthalmology, 2018, Vol.125, No.8, pp.1264–1272.

4. Manohar P., Mallikarjun S. Holi comparative study of methods for fundus mask generation, International Journal of Advanced Science and Technology, 2020, Vol. 29, No. 3, pp. 9642–9653.

5. Gagnon L., et al. Procedure to detect anatomical structures in optical fundus images, SPIE Conf. on Medical imaging, 2001, Vol. 4322, pp. 1218–1225.

6. Youssif A.A. H.A. R., Ghalwash A. Z., Ghoneim A.A. S.A. R., Optic disc detection from normalized digital fundus images by means of a vessels’ direction matched filter, IEEE Transactions on Medical Imaging, 2007, Vol.27, No.1, pp.11–18. doi: 10.1109/TMI.2007.900326.

7. Niemeijer M., et al. Fast detection of the optic disc and fovea in color fundus photographs, Medical Image Analysis, 2009, 13(6): 859–870. doi: 10.1016/j.media.2009.08.003.

8. DRIMDB – Database for quality testing of retinal images [Электронный ресурс]. – Режим доступа: https://academictorrents.com/details/99811ba62918f8e73791d21be29dcc 372d660. – Дата доступа: 09.09.2021.

9. Khan S. M., et al. A global review of publicly available datasets for ophthalmological imaging: barriers to access, usability, and generalisability, The Lancet Digital Health, 2021, Vol.3, No.1, pp.e51-e66. doi: 10.1016/S2589– 7500(20)30240–5.

10. Ter Haar F. Automatic localization of the optic disc in digital colour images of the human retina, Utrecht University. 2005, MS thesis, 83p.

11. Hashim F.A., Salem N. M., Seddik A. F. Preprocessing of color retinal fundus images, 2nd Int. Japan-Egypt Conference on Electronics, Communications and Computers, 2013 Dec 17, pp. 190–193. doi: 10.1109/JEC-ECC.2013.6766410.

12. Otsu N. A threshold selection method from gray-level histograms, IEEE Transactions on Systems, Man, and Cybernetics, 1979, Vol.9, No.1, pp.:62–66.

13. Aibinu A. M., Salami M. J.E., Shafie A.A. Retina fundus image mask generation using pseudo parametric modeling technique, IIUM Engineering Journal, 2010, Vol.11, No.2, pp.163–177.

14. База изображений EyePACS [Электронный ресурс]. – Режим доступа: http://www.eyepacs.com/. – Дата доступа: 03.11.2021.

15. Pertuz S., Puig D., Garcia M.A. Analysis of focus measure operators for shape-from-focus. Pattern Recognition. – 2013. – 46(5). – P. 1415–1432. doi: 10.1016/j.patcog.2012.11.011

16. Голуб, Ю. И. Исследование локальных оценок контраста цифровых изображений при отсутствии эталона / Ю. И. Голуб, Ф. В. Старовойтов // Системный анализ и прикладная информатика. – 2019. – № 2 (22). – C. 4–11.

17. Голуб, Ю. И. Сравнительный анализ безэталонных оценок резкости цифровых изображений / Ю. И. Голуб, Ф. В. Старовойтов, В. В. Старовойтов // Доклады Белорусского государственного университета информатики и радиоэлектроники. – 2019. – № 7 (125). – С. 113–120.

18. Zhai, G. Perceptual image quality assessment: a survey / G. Zhai, X. Min // Science China Information Sciences. – 2020. – V. 63. – № 11. – P. 83–135.

19. Gvozden, G. Blind image sharpness assessment based on local contrast map statistics / G. Gvozden, S. Grgic, M. Grgic // Journal of Visual Communication and Image Representation. – 2018. – 50. – P. 145–158. doi: 10.1016/j.jvcir.2017.11.017.

20. Narvekar N. D., Karam L. J. A no-reference perceptual image sharpness metric based on a cumulative probability of blur detection, Int. Workshop on Quality of Multimedia Experience. – 2009. – P. 87–91. doi: 10.1109/QOMEX.2009.5246972.


Дополнительные файлы

Для цитирования: Старовойтов В.B., Голуб Ю.И., Лукашевич М.М. Оценка качества цифровых изображений сетчатки. «Системный анализ и прикладная информатика». 2021;(4):25-38. https://doi.org/10.21122/2309-4923-2021-4-25-38

For citation: Starovoitov V.V., Golub Y.I., Lukashevich M.M. Digital fundus image quality assessment. «System analysis and applied information science». 2021;(4):25-38. (In Russ.) https://doi.org/10.21122/2309-4923-2021-4-25-38

Просмотров: 42

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2309-4923 (Print)
ISSN 2414-0481 (Online)