Segmentace optického disku (OD) a extrakce geometrických a intenzitních parametrů pro analýzu onemocnění sítnice

Abstract

Diplomová práce se zabývá problematikou segmentace optického disku v sítnicových snímcích a následnou analýzou jeho parametrů pro účely diagnostiky očních onemocnění. Hlavním cílem práce je vývoj komplexního systému pro přesnou segmentaci optického disku a extrakci jeho klíčových příznaků. V rámci práce byl vytvořen segmentační model založený na metodách hlubokého učení, který byl trénován a optimalizován s ohledem na různorodost klinických dat. Model byl následně testován na třech různých datových sadách s cílem ověřit jeho robustnost a přesnost. Na segmentační část navazuje algoritmus pro výpočet geometrických a intenzitních parametrů optického disku. Získané příznaky byly dále využity pro návrh klasifikačního modelu strojového učení určeného k analýze patologií. Dosažené výsledky ukazují, že navržený přístup umožňuje efektivní segmentaci a poskytuje podklady pro diagnostiku. Práce tak přispívá k automatizaci zpracování sítnicových obrazových dat.

The thesis deals with the problem of optic disc segmentation in retinal images and the subsequent analysis of its parameters for the purpose of diagnosing eye diseases. The main objective of the thesis is to develop a comprehensive system for accurate optic disc segmentation and extraction of its key features. Within the scope of the work, a segmentation model based on deep learning methods was developed, which was trained and optimized with respect to the diversity of clinical data. The model was subsequently tested on three different datasets in order to verify its robustness and accuracy. The segmentation part is followed by an algorithm for calculating geometric and intensity-based parameters of the optic disc. The extracted features were further used to design a machine learning classification model intended for pathology analysis. The achieved results show that the proposed approach enables effective segmentation and provides a basis for diagnostics. Thus, the thesis contributes to the automation of retinal image data processing.