Vessel Segmentation in Retinal Images using Multiscale Image Enhancement and Clustering


YAVUZ Z. , KÖSE C.

IEEE 23. Sinyal İşleme ve İletişim Uygulamaları Kurultayı, Malatya, Türkiye, 16 - 19 Mayıs 2015, cilt.1, ss.581-584

  • Cilt numarası: 1
  • Basıldığı Şehir: Malatya
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.581-584

Özet

İnsan vücudunda gelişen diyabet gibi bazı hastalıklar retinada oluşan bazı yapısal bozuklukluklarla kendini göstermektedir. Gelişen bilgisayarlı teknikler sayesinde retina görüntülerinde hastalıkların teşhisi ve ön tanı kolaylıkla yapılabilmektedir. Retina görüntülerinde damar bölütleme işlemi, teşhis ve ön tanı için önemli bir aşamadır. Bu çalışmada renkli retinal fundus görüntülerde damar bölütleme işlemi gerçekleştirilmektedir. İlk olarak retinal fundus görüntüler ön işleme tabi tutulur. Daha sonra damar belirginleştirme için çok ölçekli Frangi süzgeci uygulanır. Frangi süzgeç çıktısı, Bulanık C-ortalama kümeleme yöntemi ile siyah-beyaz damar görüntüsüne dönüştürülür. Son olarak izole pikseller lenir ve prformans arttırmak amacıyla damarlar arasındaki boşluklar doldurulur. Performans değerlendirmesi için internet üzerinde halka açık olarak sunulan STARE ve DRIVE veritabanları kullanılmıştır. Sonuç olarak STARE veritabanı için %95.69 ve DRIVE veritabanı için %95.38 doğruluk değerleri elde edilmiştir.

Some diseases in human body such as diabet could be affect the morphology of the retina. The diagnosis and treatment of these diseases can be made easily by improved computerized techniques. Retinal blood vessel segmentation phase is an important step for diagnosis and treatment. Blood vessel segmentation in color retinal fundus images is employeed in this paper. First, a preprocessing step is performed and then multiscale Frangi filter is applied in order to enhance blood vessels. Afterwards Fuzzy C-means clustering method is used to obtain binary vessel image. Finally, a postprocessing step is performed to increase performance. We use two publicly available retinal fundus image databases STARE and DRIVE to measure the performance of the system. As a result we get 95.95% of accuracy for STARE database and 95.95% of accuracy for DRIVE database.