Segmentace papily zrakového nervu u dětí s ROP pomocí hlubokého učení

Abstract

Tato bakalářská práce se zabývá automatickou segmentací papily zrakového nervu ve fundus snímcích. Tato úloha je důležitá pro automatizovanou analýzu těchto snímků a může nepřímo přispět k diagnostice očních onemocnění. Cílem práce je navrhnout a implementovat systém pro přesnou lokalizaci a segmentaci papily s využitím metod zpracování obrazu a hlubokého učení. Navržený přístup je založen na dvoustupňovém algoritmu. Ten kombinuje lokalizační a segmentační konvoluční neuronovou síť. Nejprve je určena přibližná poloha papily pomocí pravděpodobnostní mapy. Následně je z této oblasti extrahována oblast zájmu, na kterou je aplikována segmentační síť typu U-Net. Systém byl testován na databázi retinálních snímků novorozenců. Metoda dosáhla průměrné hodnoty Dice koeficientu 84,96 \% (medián 87,83 \%), při hodnotách precision 87,54 \% a recall 83,46 \%. Výsledky ukazují, že metoda dokáže papilu spolehlivě lokalizovat a přesně segmentovat. Navržený přístup může přispět k automatizaci analýzy očních snímků a podpořit klinickou praxi.

This bachelor’s thesis focuses on the automatic segmentation of the optic disc in fundus images. This task is important for automated analysis of these images and may indirectly contribute to the diagnosis of ocular diseases. The aim of this thesis is to design and implement a system for accurate localization and segmentation of the optic disc using image processing and deep learning methods. The approach is based on a two-stage algorithm combining a localization and a segmentation convolutional neural network. First, an approximate position of the optic disc is determined using a probability map. Then, a region of interest is extracted from this area, and a U-Net-based segmentation network is applied. The system was tested on a dataset of neonatal retinal images. The method achieved a mean Dice coefficient of 84,96 \% (median 87,83 \%), with a precision of 87,54 \% and a recall of 83,46 \%. The results show that the method can reliably localize and accurately segment the optic disc. The approach may contribute to the automation of retinal image analysis and support clinical practice.