Data augmentation in retinal fundus images segmentation using deep learning

Nagat Masued

Data augmentation in retinal fundus images segmentation using deep learning

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Türkiye

Tezin Onay Tarihi: 2019

Tezin Dili: İngilizce

Öğrenci: Nagat Masued

Danışman: MEHMET ÖZTÜRK

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Görüntü segmentasyonu, görüntülerin daha iyi görselleştirilmesi ve tanı konulması için doku ve organların türüne göre ayrıldığı tıbbi görüntüler için önemli bir araçtır. Oftalmoloji alanında, retinal kan damarı segmentasyonu, diyabetik hipertansiyon glokomu ve retinopati gibi göz hastalıklarının teşhisi ve izlenmesini sağlayan faydalı bilgilerinden dolayı önemli görevlerden biridir. Son birkaç yılda, derin öğrenme temelli yöntemler, bilgisayarla görme görevlerinin çoğunda üstün bir performans sergilemiştir. Bu yöntemlerin çoğu danışmanlı öğrenmeye dayalıdır ve modelleri eğitmek için büyük miktarda etiketlenmiş veri gerektirir. Bu tez, derin öğrenme yaklaşımı kullanarak retinal damar segmentasyonunu araştırmaktadır. Bu alandaki verilerin azlığının üstesinden gelmek için, tez, daha fazla eğitim verisi üretmek üzere, Üretken Çekişmeli Ağlara (Generative Adversarial Networks - GANs) dayanan bir veri büyütme yöntemi sunmaktadır. Image segmentation is an important tool for medical images where the images are separated based on the type of tissue and organs to further visualization and diagnosis. In ophthalmology domain, retinal blood vessel segmentation is one of the substantial tasks due to the helpful information from the segmentation result, which provides diagnosis and monitoring of eye diseases such as diabetic hypertension glaucoma and retinopathy. Over the last few years, deep learning based methods accomplished a state-of-art performance in most of computer vision tasks. Most of these methods are supervised and require a large amount of labeled data to be able to train the models. This project investigates the retinal vessel segmentation using deep learning approach. To overcome the scarcity of the data in this domain, the thesis presents a method of data augmentation based on Generative Adversarial Networks (GANs) to generate more training data for sufficient learning.