Denetimli Sınıflandırma Yöntemleri ile Retinal Kan Damarı Bölütleme


YAVUZ Z., KÖSE C.

TÜRKİYE BİLİŞİM VAKFI BİLGİSAYAR BİLİMLERİ ve MÜHENDİSLİĞİ DERGİSİ, vol.8, no.1, pp.13-23, 2016 (Peer-Reviewed Journal)

Abstract

Blood vessel segmentation in retinal fundus images is the first step for the diagnosis and treatment of diseases such as diabetic retinopathy, glaucoma and age related macular degeneration. In this paper, several supervised classification methods with adapted features are used in order to extract blood vessels in color retinal fundus images. Furthermore, the obtained results are compared against each other in terms of computational durations and classification accuracy. Firstly, a pixel based feature extraction method is performed in which features are extracted from the enhanced images of the vessel. Afterwards, a classification stage is performed to decide whether a pixel belongs to a vessel or the retinal background using these features. K-nearest neighbors, Naïve Bayes and support vector machines are used as supervised classification mechanisms. Retinal fundus images from two publicly available database STARE and DRIVE are used for performance evaluation. Obtained performance values and computation time results are compared. As a result, it is observed that Naïve Bayes classifier is the fastest method and support vector machines method has the highest accuracy.

Retinal fundus görüntülerde kan damarı bölütleme işlemi, diyabetik retinopati, glukoma gibi bazı hastalıkların teşhisi ve ön tanısı için önemli bir aşamadır. Bu çalışmada renkli retinal fundus görüntülerde damar bölütleme amacıyla kullanılan denetimli sınıflandırma yöntemleri uygulamalı olarak karşılaştırılmaktadır. Sınıflandırma işleminden önce kan damarı ve retina arkaplan piksellerini birbirinden ayıracak şekilde damar iyileştirmeye dayalı piksel tabanlı özellik çıkarma işlemi gerçekleştirilir. Daha sonra çıkarılan bu özellikler kullanılarak sınıflandırıcı yardımıyla piksellerin kan damarına ya da arkaplana ait olup olmadığına karar verilir. Denetimli sınıflandırma yöntemi olarak k en yakın komşuluk, Naive Bayes sınıflandırıcı ve destek vektör makinaları kullanılmaktadır. Performans değerlendirmesi için internet üzerinde erişilebilir olan STARE ve DRIVE veritabanları kullanılmaktadır. Sonuç olarak elde edilen başarım değerleri ve işlem süreleri karşılaştırılmıştır. Naive Bayes sınıflandırma yönteminin en hızlı ve destek vektör makinarı yönteminin ise diğerlerine göre daha yüksek başarı sağladığı gözlenmiştir.