Технология интеллектуального отбора признаков для сегментации изображений глазного дна

Abstract

Для сегментации изображений глазного дна перспективно использовать технологию отбора эффективных признаков, которые обеспечивают минимальную ошибку распознавания объектов, используя при этом минимальное количество параметров для сегментации одного фрагмента изображения. Технология позволяет провести интеллектуальный анализ признаков с использованием цветовых подпространств для решения задачи выделения областей интереса. Для повышения эффективности проведения операции лазерной коагуляции задача наиболее точного выделения области интереса является особенно актуальной. Технология ориентирована на текстурный анализ выделенных паттернов изображений и позволяет, используя минимальное количество признаков, демонстрировать достаточно точную сегментацию. Для повышения эффективности сегментации предлагается использовать алгоритмы предобработки изображений, которые обеспечат более чёткое выделение объектов. В работе проводится исследование информативности полученного пространства признаков с использованием дискриминантного анализа данных. Определены наилучшие значения размеров окна фрагментации изображений для проведения сегментации и наборы признаков обеспечивающих необходимую точность идентификации областей интереса при анализе следующих 4 классов изображений: экссудаты, толстые сосуды, тонкие сосуды и здоровые участки. We propose a technique for selecting effective features for fundus image segmentation. The technique has made it possible to conduct smart feature analysis with the aid of color subspaces when solving a problem of selecting the regions of interest. The relevance of the problem is associated with enhancing the effectiveness of laser coagulation surgery. The technique is based on the texture analysis of image patterns. To improve the efficiency of segmentation we propose to use image preprocessing algorithms that will provide a more precise selection of objects. The analysis of the information content of the resulting feature space and selection of most effective features is conducted using the discriminant data analysis. We determine the best size of an image fragmentation block for segmentation the ocular fundus and feature sets enabling the regions of interest to be identified with a required accuracy when analyzing the following four classes of images: exudates, thick vessels, thin vessels, and intact areas. The feature selection technique utilizes K-means-based clustering whereas the Euclidean and Mahalanobis distance is used as a similarity measure. The required minimal size of the fragmentation block and the similarity measure are chosen based on the criterion of the minimal clustering error among all smallest block sizes. The proposed technique enables not only the informative features to be extracted in particular color spaces but also the most informative color subspace to be identified.