retinal layer segmentation

Seungbae Ji
Seungbae JiMachine Learning Developer
주요연구과제
광간섭단층촬영으로
획득된 망막층 분할
Seungbae Ji
September, 30th, 2016.
목차
• 소개
1. 시지각 모방
2. 흐름도
• 사용기술
1. 전처리
2. 에지 검출
3. 윤곽 검출
4. 슈퍼픽셀
5. 망막층 특징 지도
• 결과
소개 – 시지각 모방
Retina
V1
V1, V2
Boundary
Perceptual
Map
Edge
(DoOG)
Contour
(Canny)
Perceptual
grouping
(SLIC)
• 뇌의 시지각 기능 중 망막층 검출에 알맞은 기능들을 모방하여 알고리즘을 구상
소개 – 흐름도
• 총 4단계를 거쳐 망막층을 검출함
• 전처리 →특징추출→특징지도
→망막층 검출
• 광간섭단층촬영으로 획득된 영상
은 정보와 잡음이 랜덤하게 얽혀
있음. 때문에 전처리 과정과 영상
특징에 알맞은 특징추출이 필요함
• 전처리과정과 특징추출을 통해 망
막층 검출에 알맞은 특징 지도를
만들어냄
사용기술 – 전처리
(a) : 원본 이미지
(b) : 잡음이 억제된 이미지
(c) : 명암이 향상된 후, 잡음이 억제된 이미지
(d) : 명암이 향상된 이미지
• 각 특징추출 기술에 알맞은 이미지를 제공하기 위해 명암 향상과 잡음 억제를 사용
사용기술 – 에지 검출
D-B boundary detector B-D boundary detector
• 망막의 강골리온 셀의 기능을 모방하여 에지를 두 개의 마스크를 사용하여 검출
사용기술 – 윤곽 검출
• V1에서 뉴런들이 특정 방향의 에지에 민감한 점을 모방하여 윤곽 검출
사용기술 – 슈퍼 픽셀
𝑑 𝑐 = 𝑙𝑖 − 𝑙 𝑘
2 + 𝑎𝑖 − 𝑎 𝑘
2 + 𝑏𝑖 − 𝑏 𝑘
2𝑑 𝑠 = 𝑥𝑖 − 𝑥 𝑘
2 + 𝑦𝑖 − 𝑦 𝑘
2
𝐷 =
𝑑 𝑐
𝑚 𝑐
2
+
𝑑 𝑠
𝑚 𝑠
2
Proximity Similarity
• 위치의 근접성과 색의 유사함으로 집합화 하는 점을 모방하여 슈퍼픽셀을 적용
사용기술 – 망막층 특징 지도
• 추출된 특징들을 조합
하여 망막층의 특징을
나타내는 특징 지도를
생성
• 층의 특성에 맞추어
두개의 특징 지도를
생성
사용기술 – 망막층 검출
• 망막층 특징지도는 색에 따라 망막층이 될 수 있는 정도가 다름
• 색의 우선순위에 따라 망막층을 검출함
결과 (1/2)
(a)
(b)
(c)
(d)
(e)
(g)
(f)
(h)
• 정상망막과 질병망막의 두가
지 경우를 다룸
• 정상망막의 경우 일곱개의 망
막층을 검출함
• 질병망막(당뇨)의 경우 여섯
개의 망막층을 검출함
• 노란색은 사람이 망막층을 검
출한 경우를 나타냄
• 빨간색은 알고리즘이 자동으
로 망막층을 검출한 경우를 나
타냄
결과 (2/2)
Boundary Image (a) Image (b) Image (c) Image (d) Total (Pixel)
Vitreous cavity/
NFL
0.5859 0.1287 0.2208 0.4261 0.3420 ± 0.5297
NFL/(GCL+IPL) 0.6485 0.2671 0.6325 0.6420 0.5475 ±0. 7603
(GCL+IPL)/INL 0.7600 0.4218 0.4992 0.5227 0.5520 ± 0.7220
INL/OPL 0.5762 0.4927 0.5167 0.5666 0.5383 ± 0.7619
OPL/ONL 0.6404 0.9715 1.1192 0.3766 0.7742 ± 1.2154
ONL/(IS/OS) 0.0169 0.0562 0.4442 0.0211 0.1323 ± 0.3748
(IS/OS)/RPE 0.4230 0.3469 0.8358 0.7573 0.5889 ± 0.6703
RPE/Choroid 0.1180 0.1588 0.5100 0.8166 0.3995 ± 0.6535
Total
0.4711
± 0.6899
0.3555
± 0.8730
0.5973
± 0.7778
0.5161
± 0.6964
0.4843
± 0.7674
Boundary Image (e) Image (f) Image (g) Image (h) Total (Pixel)
Vitreous cavity/
NFL
0.1768 0.1821 0.0714 0.1552
0.1464 ± 0.367
6
NFL/(GCL+IPL) 1.0928 0.9814 1.1305 0.7187
0.9808 ± 0.989
2
(GCL+IPL)/
(INL+OPL)
0.7454 0.8523 1.0538 0.6887
0.8351 ± 0.774
9
(INL+OPL)/ONL 0.6419 0.0256 0.5538 0.9711
0.4733 ± 0.690
5
ONL/(IS/OS) 0.2865 0.1592 0.2390 0.1993
0.2210 ± 0.442
3
(IS/OS)/RPE 0.6127 0.0301 0.0150 0.4295
0.2717 ± 0.502
3
RPE/Choroid 1.6737 0.1202 0.1058 0.1199
0.5044 ± 0.830
8
Total
0.7471
± 0.8385
0.3359
± 0.6623
0.4528
± 0.7317
0.4261
± 0.6871
0.4904
± 0.7490
1 sur 12

Recommandé

영상 기반 SLAM 알고리즘 시험 par
영상 기반 SLAM 알고리즘 시험영상 기반 SLAM 알고리즘 시험
영상 기반 SLAM 알고리즘 시험jdo
1.5K vues22 diapositives
논문-특징점 기반 단안 영상 SLAM의 최적화 기법 및 필터링 기법의 성능 연구 par
논문-특징점 기반 단안 영상 SLAM의 최적화 기법 및 필터링 기법의 성능 연구논문-특징점 기반 단안 영상 SLAM의 최적화 기법 및 필터링 기법의 성능 연구
논문-특징점 기반 단안 영상 SLAM의 최적화 기법 및 필터링 기법의 성능 연구jdo
278 vues19 diapositives
입문 Visual SLAM - 5장 카메라와 이미지 par
입문 Visual SLAM - 5장 카메라와 이미지입문 Visual SLAM - 5장 카메라와 이미지
입문 Visual SLAM - 5장 카메라와 이미지jdo
1.7K vues36 diapositives
입문 Visual SLAM 14강 - 2장 Introduction to slam par
입문 Visual SLAM 14강  - 2장 Introduction to slam입문 Visual SLAM 14강  - 2장 Introduction to slam
입문 Visual SLAM 14강 - 2장 Introduction to slamjdo
7K vues26 diapositives
Detecting fake jpeg images par
Detecting fake jpeg imagesDetecting fake jpeg images
Detecting fake jpeg imagesNAVER Engineering
1.8K vues47 diapositives
[논문리뷰] 딥러닝 적용한 EEG 연구 소개 par
[논문리뷰] 딥러닝 적용한 EEG 연구 소개[논문리뷰] 딥러닝 적용한 EEG 연구 소개
[논문리뷰] 딥러닝 적용한 EEG 연구 소개Donghyeon Kim
5.6K vues50 diapositives

Contenu connexe

Similaire à retinal layer segmentation

Summary in recent advances in deep learning for object detection par
Summary in recent advances in deep learning for object detectionSummary in recent advances in deep learning for object detection
Summary in recent advances in deep learning for object detection창기 문
599 vues74 diapositives
HistoryOfCNN par
HistoryOfCNNHistoryOfCNN
HistoryOfCNNTae Young Lee
928 vues40 diapositives
OpenCV preview par
OpenCV previewOpenCV preview
OpenCV previewDaniel Shin
62 vues13 diapositives
고해상도 위성영상을 이용한 smart주제도 생성 par
고해상도 위성영상을 이용한 smart주제도 생성고해상도 위성영상을 이용한 smart주제도 생성
고해상도 위성영상을 이용한 smart주제도 생성Hyun Jik LEE
2K vues62 diapositives
합성곱 신경망 par
합성곱 신경망합성곱 신경망
합성곱 신경망Sunggon Song
2.3K vues39 diapositives
[paper review] 손규빈 - Eye in the sky & 3D human pose estimation in video with ... par
[paper review] 손규빈 - Eye in the sky & 3D human pose estimation in video with ...[paper review] 손규빈 - Eye in the sky & 3D human pose estimation in video with ...
[paper review] 손규빈 - Eye in the sky & 3D human pose estimation in video with ...Gyubin Son
591 vues37 diapositives

Similaire à retinal layer segmentation(7)

Summary in recent advances in deep learning for object detection par 창기 문
Summary in recent advances in deep learning for object detectionSummary in recent advances in deep learning for object detection
Summary in recent advances in deep learning for object detection
창기 문599 vues
고해상도 위성영상을 이용한 smart주제도 생성 par Hyun Jik LEE
고해상도 위성영상을 이용한 smart주제도 생성고해상도 위성영상을 이용한 smart주제도 생성
고해상도 위성영상을 이용한 smart주제도 생성
Hyun Jik LEE2K vues
[paper review] 손규빈 - Eye in the sky & 3D human pose estimation in video with ... par Gyubin Son
[paper review] 손규빈 - Eye in the sky & 3D human pose estimation in video with ...[paper review] 손규빈 - Eye in the sky & 3D human pose estimation in video with ...
[paper review] 손규빈 - Eye in the sky & 3D human pose estimation in video with ...
Gyubin Son591 vues
FCN to DeepLab.v3+ par Whi Kwon
FCN to DeepLab.v3+FCN to DeepLab.v3+
FCN to DeepLab.v3+
Whi Kwon2.4K vues

retinal layer segmentation

  • 2. 목차 • 소개 1. 시지각 모방 2. 흐름도 • 사용기술 1. 전처리 2. 에지 검출 3. 윤곽 검출 4. 슈퍼픽셀 5. 망막층 특징 지도 • 결과
  • 3. 소개 – 시지각 모방 Retina V1 V1, V2 Boundary Perceptual Map Edge (DoOG) Contour (Canny) Perceptual grouping (SLIC) • 뇌의 시지각 기능 중 망막층 검출에 알맞은 기능들을 모방하여 알고리즘을 구상
  • 4. 소개 – 흐름도 • 총 4단계를 거쳐 망막층을 검출함 • 전처리 →특징추출→특징지도 →망막층 검출 • 광간섭단층촬영으로 획득된 영상 은 정보와 잡음이 랜덤하게 얽혀 있음. 때문에 전처리 과정과 영상 특징에 알맞은 특징추출이 필요함 • 전처리과정과 특징추출을 통해 망 막층 검출에 알맞은 특징 지도를 만들어냄
  • 5. 사용기술 – 전처리 (a) : 원본 이미지 (b) : 잡음이 억제된 이미지 (c) : 명암이 향상된 후, 잡음이 억제된 이미지 (d) : 명암이 향상된 이미지 • 각 특징추출 기술에 알맞은 이미지를 제공하기 위해 명암 향상과 잡음 억제를 사용
  • 6. 사용기술 – 에지 검출 D-B boundary detector B-D boundary detector • 망막의 강골리온 셀의 기능을 모방하여 에지를 두 개의 마스크를 사용하여 검출
  • 7. 사용기술 – 윤곽 검출 • V1에서 뉴런들이 특정 방향의 에지에 민감한 점을 모방하여 윤곽 검출
  • 8. 사용기술 – 슈퍼 픽셀 𝑑 𝑐 = 𝑙𝑖 − 𝑙 𝑘 2 + 𝑎𝑖 − 𝑎 𝑘 2 + 𝑏𝑖 − 𝑏 𝑘 2𝑑 𝑠 = 𝑥𝑖 − 𝑥 𝑘 2 + 𝑦𝑖 − 𝑦 𝑘 2 𝐷 = 𝑑 𝑐 𝑚 𝑐 2 + 𝑑 𝑠 𝑚 𝑠 2 Proximity Similarity • 위치의 근접성과 색의 유사함으로 집합화 하는 점을 모방하여 슈퍼픽셀을 적용
  • 9. 사용기술 – 망막층 특징 지도 • 추출된 특징들을 조합 하여 망막층의 특징을 나타내는 특징 지도를 생성 • 층의 특성에 맞추어 두개의 특징 지도를 생성
  • 10. 사용기술 – 망막층 검출 • 망막층 특징지도는 색에 따라 망막층이 될 수 있는 정도가 다름 • 색의 우선순위에 따라 망막층을 검출함
  • 11. 결과 (1/2) (a) (b) (c) (d) (e) (g) (f) (h) • 정상망막과 질병망막의 두가 지 경우를 다룸 • 정상망막의 경우 일곱개의 망 막층을 검출함 • 질병망막(당뇨)의 경우 여섯 개의 망막층을 검출함 • 노란색은 사람이 망막층을 검 출한 경우를 나타냄 • 빨간색은 알고리즘이 자동으 로 망막층을 검출한 경우를 나 타냄
  • 12. 결과 (2/2) Boundary Image (a) Image (b) Image (c) Image (d) Total (Pixel) Vitreous cavity/ NFL 0.5859 0.1287 0.2208 0.4261 0.3420 ± 0.5297 NFL/(GCL+IPL) 0.6485 0.2671 0.6325 0.6420 0.5475 ±0. 7603 (GCL+IPL)/INL 0.7600 0.4218 0.4992 0.5227 0.5520 ± 0.7220 INL/OPL 0.5762 0.4927 0.5167 0.5666 0.5383 ± 0.7619 OPL/ONL 0.6404 0.9715 1.1192 0.3766 0.7742 ± 1.2154 ONL/(IS/OS) 0.0169 0.0562 0.4442 0.0211 0.1323 ± 0.3748 (IS/OS)/RPE 0.4230 0.3469 0.8358 0.7573 0.5889 ± 0.6703 RPE/Choroid 0.1180 0.1588 0.5100 0.8166 0.3995 ± 0.6535 Total 0.4711 ± 0.6899 0.3555 ± 0.8730 0.5973 ± 0.7778 0.5161 ± 0.6964 0.4843 ± 0.7674 Boundary Image (e) Image (f) Image (g) Image (h) Total (Pixel) Vitreous cavity/ NFL 0.1768 0.1821 0.0714 0.1552 0.1464 ± 0.367 6 NFL/(GCL+IPL) 1.0928 0.9814 1.1305 0.7187 0.9808 ± 0.989 2 (GCL+IPL)/ (INL+OPL) 0.7454 0.8523 1.0538 0.6887 0.8351 ± 0.774 9 (INL+OPL)/ONL 0.6419 0.0256 0.5538 0.9711 0.4733 ± 0.690 5 ONL/(IS/OS) 0.2865 0.1592 0.2390 0.1993 0.2210 ± 0.442 3 (IS/OS)/RPE 0.6127 0.0301 0.0150 0.4295 0.2717 ± 0.502 3 RPE/Choroid 1.6737 0.1202 0.1058 0.1199 0.5044 ± 0.830 8 Total 0.7471 ± 0.8385 0.3359 ± 0.6623 0.4528 ± 0.7317 0.4261 ± 0.6871 0.4904 ± 0.7490