Diagnosing Diabetic Retinopathy from Colored Fundus Images

Abstract

In this study, the problem of automatic detection of Diabetic Retinopathy (DR) has been addressed. As the technology advances, researchers are becoming more interested in intelligent medical diagnosis systems to assist screening for specific diseases such as diabetes and its complications. DR is a serious condition which can result in blindness if it is not diagnosed and controlled at early stage. Medical experts diagnose DR from specific lesions in colored fundus images. There are different segments possibly appearing in fundus images including Optical Disk (OD), Blood Vessels (BV), Dark Lesions (i.e. Microaneurysm (MA) or briefly Aneurysm, Hemorrhage (H) and Neuvascularization (NV)), and Light Lesions (i.e. Hard Exudates (HE) and Cotton Wool Spots (CVS)). In this thesis, an automated system is proposed for automatic detection of lesions and accordingly grading DR. The proposed system is implemented as follows: After removing noisy area, optical disk is discovered in images based on a histogram template method. Then, using thresholding a black and white mask is produced to remove optical disk from fundus images. The network of blood vessels should also be removed. Based on Kirsch edge enhancement technique, blood vessels are masked. The next step of segmentation is searching for dark and light lesions. In the next phase, six features related to anatomical characteristics of anomalies in retinal images are extracted. These features are related to size, shape, color and brightness of the regions. Support Vector Machine (SVM) classifier is the last stage of the system. Light lesions and dark lesions are separately classified into their corresponding anomalies using linear SVM classifier. 5-fold cross validation is used to avoid bias in selection of train and test sets. Experimental results conducted on four data sets including DIARETDB0, DIARETDB1, STARE and HRF have proved that accuracy, sensitivity and specificity of the proposed system are comparable or superior to state-of-the-art methods. In the last step, based on the detected abnormal lesions, the degree of severity of DR is automatically defined. Keywords: Diabetic Retinopathy, Automatic Detection, Fundus Image, Abnormal Lesions, Image Segmentation, Feature Extraction, Classification.

ÖZ: Bu çalışmada, Diyabetik Retinopati'nin (DR) otomatik olarak saptanması sorunu ele alınmıştır. Teknoloji ilerledikçe, araştırmacılar diyabet gibi komplikasyonları belirli hastalıklar için medikal taramada yardımcı olmak için akıllı teşhis sistemleri üzerinde daha fazla odaklanmışlardır. DR ciddi bir durumdur, erken teşhis edilip kontrol edilmediğinde körlüğe neden olabilir. Tıbbi uzmanlar, renkli göz dibi (fundus) görüntülerinde spesifik lezyonlardan DR'yi teşhis edebilmektedirler. Optik Disk, Kan Damarları, Karanlık Lezyonlar (örneğin, Mikroanevrizma veya kısaca Anevrizma, Kanama ve Neuvaskülarizasyon) ve Işık Lezyonlar (örneğin, Sert Yırtıklar ve Pamuk Yünü Noktaları) dâhil olmak üzere fundus görüntülerinde olası farklı bölümler görülebilmektedir. Bu tez çalışmasında, lezyonların otomatik olarak saptanması ve buna göre DR'nin derecelendirilmesi için otomatik bir sistem önerilmiştir. Önerilen sistem şu şekilde uygulanmıştır: alan kaldırdıktan sonra, histogram şablon yöntemine bağlı olarak görüntülerde optik disk bulunur. Ardından, eşik değerleme ile siyah beyaz bir maske üretilerek, optik diski fundus görüntülerinden çıkarılması yapılır. Kan damarları ağı da kaldırılması gerekmektedir. Kirsch kenar iyileştirme tekniğine göre, kan damarları da maskelenmiştir. Bölümlemenin sonraki basamağı karanlık ve hafif lezyonları araştırmaktır. Bir sonraki aşamada, retina görüntülerde anomalilerin anatomik özelliklerine ilişkin altı öznitelikleri çıkarılmıştır. Bu öznitelikler bölgelerin büyüklüğü, şekli, rengi ve parlaklığı ile ilgilidir. Destek Vektör Makinesi (SVM) sınıflandırıcı, sistemin son asamasıdır. Işık lezyonlar ve karanlık lezyonlar ayrı doğrusal SVM sınıflandırıcı kullanarak bunlara karşılık gelen anomaliler ayrılır. Eğitim ve test setlerinin seçiminde sapmayı önlemek için 5 kat çapraz doğrulama tekniği kullanılır. DIARETDB0, DIARETDB1, STARE, ve HRF veri setleri üzerinde yapılan deneysel sonuçlar, önerilen sistemin doğruluğunun, duyarlılığının ve özgünlük, güncel yöntemlerle kıyaslanabilir veya daha iyi sonuçlar ürettiğini kanıtlamıştır. Diğer çalışmalarda kulanılan renkli göz dibi görüntü sayıları ile kıyaslandığında, bu çalışmamızda toplam 289 renkli göz dibi (fundus) görüntüleri seçilmiş ve değerlendirilmiştir. Bu doğrultuda, sistemin genel performansı kabul görecek nitelikte sonuçlar üretmiş. Son aşamada, tespit edilen anormal lezyonlara dayanılarak, DR şiddeti otomatik olarak zemin gerçeklere göre kıyaslanmıştır. Anahtar Kelimeler: Diyabetik Retinopati, Otomatik Algılama, Fundus Görüntüsü, Anormal Lezyonlar, Görüntü Parçalama, Öznitelik Çıkarma, Sınıflama.