Please use this identifier to cite or link to this item: http://bibdigital.epn.edu.ec/handle/15000/20253
Title: Análisis de clasificadores supervisados para detectar la estructura vascular en imágenes retinianas patológicas
Authors: Regalado Pozo, Evelyn Guisela
Keywords: PATOLOGÍA
PROCESAMIENTO DE IMAGEN
FISIOLOGÍA
ESTRUCTURAS VASCULARES
Issue Date: 29-May-2019
Publisher: Quito, 2019.
Citation: Regalado Pozo, E. G. (2019). Análisis de clasificadores supervisados para detectar la estructura vascular en imágenes retinianas patológicas. 45 hojas. Quito : EPN,
Abstract: In the present work, its purpose to analyze and to implement models of neuronal artificial supervised networks to the detection of vascular retinal structures in the deep of the eye. The models were divided in two approaches use different neuronal artificial networks, such as: feedforward models and convolutional models. The first approaches, it´s formed by two models of architectures different and image preprocessing. The first model counts with image preprocessing through Gaussian filters and unsharp masking followed of the extraction of array of six characteristic using the vascular map obtained through “MF-FDOG" technique and using a feedforward network with three layers to label vessels and not vessels in retinal images. In the second model the preprocessing picture was realized by applying filters morphological, limited adaptive histogram, Gaussian filters and segmented images with "MF-FDOG" technique, for the training and classification, it was used an array with three characteristics in a feedforward network with five layers. For the second approaches, it was applicate a convolutional network based in U-Net architecture, with image windows of 16x16 pixels. The convolutional network is composed by four convolutional layers and three deconvolution layers. The results of the models for retinal vessels segmentation were analyzed through the metrics: sensibility, specificity and accuracy. The results average of the first approaches is 64,80% in sensibility, 96,99% in specificity and 90,25% in accuracy, while that the second approaches has 74,20% sensibility, 90,70% specificity and 88,22% accuracy.
Description: En el presente trabajo, se propone analizar e implementar modelos de redes neuronales artificiales supervisadas para la detección de estructuras vasculares retinianas de fondo de ojo. Los modelos fueron divididos en dos enfoques utilizando diferentes arquitecturas de redes neuronales, tales como: modelos feedforward y modelos convolucionales. El primer enfoque, está formado por dos modelos de arquitecturas diferentes y preprocesamiento de imagen. El primer modelo cuenta con un preprocesamiento de imagen mediante filtros gaussianos y unsharp masking seguido de la extracción de un vector de seis características usando mapas vasculares obtenidos mediante la técnica “MF-FDOG” y utiliza una red feedforward de tres capas para etiquetar vasos y no vasos en imágenes retinianas. En el segundo modelo el preprocesamiento de imagen se realizó aplicando filtros morfológicos, histograma adaptativo limitado, filtros gaussianos e imágenes segmentadas con la técnica “MF-FDOG”, para el entrenamiento y clasificación, se utilizó un vector de tres características en una red feedforward de cinco capas. Para el segundo enfoque, se aplicó una red convolucional basada en la arquitectura U-Net, con ventanas de imagen de 16x16 píxeles. La red convolucional está compuesta por cuatro capas convolucionales y tres capas desconvolucionales. Los resultados de los modelos para la segmentación de vasos retinianos se analizaron mediante las métricas: sensibilidad, especificidad y exactitud. Los resultados promedio del primer enfoque es de 64,80% en la sensibilidad, 96,99% en la especificidad y 90,25% en la exactitud, mientras que el segundo enfoque tiene una sensibilidad del 74,20%, una especificidad del 90,70% y una exactitud del 88,22%.
URI: http://bibdigital.epn.edu.ec/handle/15000/20253
Type: bachelorThesis
Appears in Collections:Tesis Sistemas Informáticos y de Computación (ISIS)

Files in This Item:
File Description SizeFormat 
CD 9710.pdf1,37 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.