Retinal fundus görüntülerde piksel tabanlı sınıflandırma yöntemleri ile kan damarlarının çıkarılması

Abstract

Retinal kan damarı bölütleme işlemi, hipertansiyon, diyabet ve kalp-damar hastalıkları gibi çeşitli patolojilerin tanı ve tedavisinde önemli rol oynamaktadır. Bu çalışmada, retinal fundus görüntülerde kan damarlarının otomatik olarak tespit edilmesi ve elde edilen kan damarlarının temsil edilmesi için kullanılacak karakteristik matris çıkarılması işlemleri gerçekleştirilmektedir. Kan damarı bölütleme işlemi sıralı 4 işlemden oluşmaktadır: 1) Görüntü ön işleme, 2) Kan damarı iyileştirme, 3) Piksel tabanlı sınıflandırma ve 4) Son İşlemler. İlk olarak ön işlem adımında retina bölgesinin seçilmesi, retinal bölge büyütme, gri seviye dönüşüm ve damar ışık refleksi eleme işlemleri gerçekleştirilmektedir. Kan damarı iyileştirme yöntemleri olarak iki boyutlu Gauss ve Gabor süzgeçleri ile Frangi süzgeci ayrı ayrı uygulanmaktadır. Daha sonra kan damarı ayrıntılarını daha da ortaya çıkarmak amacıyla gri seviye morfolojik top-hat dönüşümü kullanılmaktadır. Piksel tabanlı sınıflandırma adımında eşikleme yöntemleri kullanan kural tabanlı, kümeleme yöntemleri kullanan denetimsiz ve makine öğrenmesi yöntemleri kullanan denetimli sınıflandırma yaklaşımları gerçekleştirilmektedir. Denetimli sınıflandırma aşamasında öznitelik olarak damar iyileştirme süzgeç çıktılarının yanında istatistiksel ve renk tabanlı öznitelikler de ayrıca kullanılmaktadır. Daha sonra elde edilen siyah-beyaz kan damarı görüntüsünde son işlemler adımı uygulanmakta ve kan damarı bölütleme yöntemlerinin performans değerlendirmesi işlemleri gerçekleştirilmektedir. Tezin son aşamasında ikili kan damarı görüntüsünde iskelet çıkarma, öz nitelik noktalarının bulunması ve karakteristik öznitelik vektörünün çıkarılması işlemleri gerçekleştirilmektedir. Retinal blood vessel segmentation is important for diagnosis and treatment of various pathologies such as hypertension, diabetes and cardiovascular diseases. In this thesis, blood vessels in color retinal fundus images are segmented automatically and then a characteristic feature matrix is extracted in order to identify segmented binary blood vessel network. Blood vessel segmentation consists of four stages: 1) Preprocessing, 2) Blood vessel enhancement, 3) Pixel based classification and 4) Post-processing. Firstly, the retinal region is selected before retinal region expansion, gray level transform and vessel light reflex removal processes are implemented in the preprocessing stage. Two-dimensional Gauss and Gabor filter and Frangi filter are applied separately before morphological top-hat transform which extracts details from an image as blood vessel enhancement methods. In the pixel-based classification stage, rule-based methods using thresholding, unsupervised methods using clustering and supervised classification approaches using machine learning methods are implemented. Some statistical and color-based features are also used with the supervised classification methods. Afterwards, post-processing methods are applied to binary vessels and performance evaluation is performed. In the last stage of the thesis, skeleton of the binary vessels are obtained before feature points extraction and a characteristic feature matrix is structured in order to use for image registration as a future process.