Robustní segmentace obrazu pro automatickou detekci retinálního cévního systému z variabilních klinických obrazových dat

Abstract

Automatická segmentace retinálních cév je nezbytná pro diagnostiku řady očních onemocnění, avšak různé kamerové systémy a proměnlivá kvalita snímků výrazně zhoršují její spolehlivost. Cílem diplomové práce bylo proto optimalizovat a zhodnotit segmentační algoritmus, který dokáže detekovat retinální cévy. Ze snímků pořízených na systémech RetCam 3, Phoenix Icon a RetCam Envision byla vytvořena databáze 150 snímků novorozenců s manuálními anotacemi cév, jež sloužila jako zlatý standard pro hodnocení. Algoritmus kombinuje klasické image‑processingové kroky (extrakce zeleného kanálu, úprava jasu v LAB, matched‑filtering, top‑hat) s cévními filtry Frangi a Jerman. Čtyřicet různých nastavení parametrů bylo otestováno na devíti reprezentativních snímcích; výkonnost se hodnotila sedmi metrikami, přičemž klíčový byl Jaccardův index. Při evaluaci podával RetCam 3 podával suverénně nejvyšší průměrné výsledky (přesnost 0,9829; Jaccard 0,4596; F‑skóre 0,6283), zatímco Phoenix Icon a RetCam Envision dosáhly srovnatelných výsledků s mediánem Jaccardova indexui kolem 0,28. V závěru práce bylo realizováno softwarové grafické prostředí, které umožňuje snadnou práci se segmentačním algoritmem a jeho nastavením.

Automatic segmentation of retinal blood vessels is essential for diagnosing numerous ocular diseases, yet the diversity of camera systems and variable image quality greatly undermine its reliability. This thesis therefore set out to optimise and evaluate a vessel‑segmentation algorithm. A gold‑standard database of 150 neonatal images captured with RetCam 3, Phoenix Icon and RetCam Envision was created, each image containing manual vessel annotations. The algorithm merges classical image‑processing steps (green‑channel extraction, LAB luminance adjustment, matched filtering, top‑hat transform) with Frangi and Jerman vessel filters. Forty parameter settings were tested on nine representative images, and performance was assessed with seven metrics, the key one being the Jaccard index. In evaluation, RetCam 3 yielded the highest average scores (accuracy 0.9829; Jaccard 0.4596; F‑score 0.6283), while Phoenix Icon and RetCam Envision showed comparable performance with median Jaccard values of about 0.28. Finally, a graphical software interface was implemented to enable straightforward use and adjustment of the segmentation algorithm.