Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 01.12.2015 допущен ВАК для публикации основных результатов диссертаций как издание, входящее в международные реферативные базы систем цитирования (Web Science, Scopus) (см. Vak.ed.gov.ru Перечень журналов МБД 16.03.2018г)

Аннотации (11.2019) : АКТИВНОЕ МАШИННОЕ ОБУЧЕНИЕ В ЗАДАЧЕ ФОРМИРОВАНИЯ ОБУЧАЮЩЕЙ ВЫБОРКИ ДЛЯ АВТОМАТИЧЕСКОГО АНАЛИЗА ИЗОБРАЖЕНИЙ СЕТЧАТКИ ГЛАЗА

АКТИВНОЕ МАШИННОЕ ОБУЧЕНИЕ В ЗАДАЧЕ ФОРМИРОВАНИЯ ОБУЧАЮЩЕЙ ВЫБОРКИ ДЛЯ АВТОМАТИЧЕСКОГО АНАЛИЗА ИЗОБРАЖЕНИЙ СЕТЧАТКИ ГЛАЗА

 

© 2019 г. L. Nedoshivina, postgraduate master’s student; L. Lensu, Doctor of Science in Technology

Заболевания органов зрения, такие как диабетическая ретинопатия, могут быть диагностированы медицинскими экспертами по изображениям глазного дна. Чтобы разработать и сравнить методы автоматического анализа изображения, важно иметь достоверное экспертное знание о его содержимом. Для создания приемлемой обучающей выборки и оценки работы методов нескольким экспертам обычно необходимо проанализировать большое количество изображений. Для наблюдения прогрессирующей болезни оптимальным решением является использование методов их автоматической обработки. Подобный подход предоставляет возможность более широкого сканирования и позволяет помочь эксперту в обнаружении патологий. Результаты данного анализа должны быть сформированы в форме наиболее типичных и информативных изображений — контрольной обучающей выборки.

Одним из важных этапов при автоматической диагностике заболеваний по сетчатке глаза является задача сегментации изображений сосудов глазного дна. В данном исследовании были рассмотрены два метода сегментации. С учетом особенностей каждого алгоритма предложены методики применения к ним активного обучения.

Ключевые слова: компьютерная диагностика, активное обучение, сегментация изображения сетчатки.

 

Active learning of the ground truth for retinal image segmentation

© 2019    L. Nedoshivina*, postgraduate master’s student; L. Lensu**, Doctor of Science in Technology

*   Pavlov Institute of Physiology, Russian Academy of Sciences, St. Petersburg, Russia

** Lappeenranta University of Technology, Lappeenranta, Finland

E-mail: nedshivina@gmail.com, lasse.lensu@lut.fi

УДК 004.93’11

Submitted 31.07.2019

DOI:10.17586/1023-5086-2019-86-11-29-36

Different diseases can be diagnosed from eye fundus images by medical experts. Automated diagnosis methods can help medical doctors to increase the diagnosis accuracy and decrease the time needed. In order to have a proper dataset for training and evaluating the methods, a large set of images should be annotated by several experts to form the ground truth. To enable efficient utilization of expert’s time, active learning is studied to accelerate the collection of the ground truth. Since one of the important steps in the retinal image diagnosis is the blood vessel segmentation, the corresponding approaches were studied. Two approaches were implemented and extended by proposed active learning methods for selecting the next image to be annotated. The performance of the methods in the case of standard implementation and active learning application was compared for several retinal images databases. 

Keywords: computer aided diagnosis, active learning, retinal image segmentation.

OCIS Codes: 100.4996, 100.4993, 100.7410, 100.2960, 110.7410, 110.3080, 170.5755

 

References

1.         Faust O., Acharya R., Ng E.Y.K., et al. Algorithms for the automated detection of diabetic retinopathy using digital fundus images: A review // J. Medical Systems. 2012. V. 36. № 1. P. 145–157.

2.         Gulshan V., Peng L., Coram M., et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs // JAMA. 2016. V. 316. № 22. P. 2402–2410.

3.         Shalev-Shwartz S. Online learning and online convex optimization // Foundations and Trends in Machine Learning. 2012. V. 4. № 2. P. 107–194.

4.         Settles B. Active learning // Synthesis Lectures on Artificial Intelligence and Machine Learning. 2012. V. 6. № 1. P. 1–114.

5.         Lewis D.D., Gale W.A. A sequential algorithm for training text classifiers // Proc. 17th Annual Internat. ACM SIGIR Conf. Research and Development in Information Retrieval. N.Y.: Springer-Verlag, Inc, 1994. P. 3–12.

6.         Sánchez C.I., Niemeijer M., Kockelkorn T., et al. Active learning approach for detection of hard exudates, cotton wool spots, and drusen in retinal images // Medical Imaging 2009: Computer-Aided Diagnosis. 2009. V. 7260. P. 72601I.

7.         Sánchez C.I., Niemeijer M., Abràmoff M.D., et al. Active learning for an efficient training strategy of computer-aided diagnosis systems: Application to diabetic retinopathy screening // Internat. Conf. Medical Image Computing and Computer-Assisted Intervention. 2010. P. 603–610.

8.        Hoover A., Goldbaum M. Locating the optic nerve in a retinal image using the fuzzy convergence of the blood vessels // IEEE Trans. Medical Imaging. 2003. V. 22. № 8. P. 951–958.

9.         Staal J., Abràmoff M.D., Niemeijer M., et al. Ridge-based vessel segmentation in color images of the retina // IEEE Trans. Medical Imaging. 2004. V. 23. № 4. P. 501–509.

10.       Owen C.G., Rudnicka A.R., Mullen R., et al. Measuring retinal vessel tortuosity in 10-year-old children: Validation of the computer-assisted image analysis of the retina (CAIAR) program // Investigative Ophthalmology & Visual Science. 2009. V. 50. № 5. P. 2004–2010.

11.       Farnell D.J., Hatfield F., Knox P., et al. Enhancement of blood vessels in digital fundus photographs via the application of multiscale line operators // J. Franklin Institute. 2008. V. 345. № 7. P. 748–765.

12.       Soares J.V., Leandro J.J., Cesar R.M., et al. Retinal vessel segmentation using the 2-D Gabor wavelet and supervised classification // IEEE Trans. Medical Imaging. 2006. V. 25. № 9. P. 1214–1222.

13.       Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation // Internat. Conf. Medical Image Computing and Computer-Assisted Intervention. Springer, 2015. P. 234–241.

14.       Badrinarayanan V., Kendall A., Cipolla R. Segnet: A deep convolutional encoder-decoder architecture for image segmentation // IEEE Trans. Pattern Analysis and Machine Intelligence. 2017. V. 39. № 12. P. 2481–2495.

15.       Kendall A., Badrinarayanan V., Cipolla R. Bayesian segnet: Model uncertainty in deep convolutional encoder-decoder architectures for scene understanding // 28th British Machine Vision Conf., 2017.

16.       Sorenson T. A method of establishing groups of equal amplitude in plant sociology based on similarity of species content // K Dan Vidensk Selsk Biol Skr. 1948. V. 5. P. 1–34.

17.       Vostatek P., Claridge E., Uusitalo H., et al. Performance comparison of publicly available retinal blood vessel segmentation methods // Computerized Medical Imaging and Graphics. 2017. V. 55. P. 2–12.

18.       Gorriz M. Cost-effective active learning for melanoma segmentation // arXiv preprint arXiv:1711.09168. 2017.

 

 

Полный текст