Η κατασκευή συστημάτων τομογραφίας του ανθρώπινου ιστού τα οποία θα χρησιμοποιούν το υπέρυθρο φάσμα ακτινοβολίας αποτελεί σημαντική προοπτική για τη δημιουργία νέων ιατρικών διαγνωστικών μεθόδων. Ένα από τα σημαντικότερα προβλήματα που πρέπει να επιλυθούν είναι η μικρή διεισδυτική ικανότητα και ο υψηλός βαθμός απορρόφησης και σκέδασης που παραμορφώνει ισχυρά την ακτινοβολία που διαδίδεται μέσα από τον ανθρώπινο ιστό. Στα πλαίσια της διδακτορικής διατριβής, μελετήθηκε το πρόβλημα του εντοπισμού της θέσης των αγγείων σε ψηφιακές φωτογραφίες του ανθρώπινου δακτύλου που έχουν ληφθεί στο υπέρυθρο φάσμα. Για τον σκοπό αυτό αναπτύχθηκε μεγάλος αριθμός πρωτότυπων μεθόδων κανονικοποίησης της φωτεινότητας της εικόνας, μη-γραμμικής ενίσχυσης της αντίθεσης, αφαίρεσης των γραμμών δακτυλικών αποτυπωμάτων, εντοπισμού του προτύπου ή δικτύου αγγείων και βελτίωσης του προτύπου των αγγείων χρησιμοποιώντας μεθόδους μαθηματικής μορφολογίας. Συνοπτικά στην παρούσα διδακτορική διατριβή προτάθηκαν και εξετάσθηκαν διαφορετικές πρωτότυπες μέθοδοι και αλγόριθμοι με επίβλεψη ή χωρίς επίβλεψη για την εξαγωγή του προτύπου αγγείων από υπέρυθρες εικόνες του ανθρώπινου δακτύλου καθώς και διαφορετικές πρωτότυπες μέθοδοι και αλγόριθμοι χωρίς επίβλεψη για την εξαγωγή του δικτύου αγγείων από αμφιβληστροειδικές εικόνες του ανθρώπινου οφθαλμού. Επίσης, η ερευνητική προσπάθεια επικεντρώθηκε στην βελτίωση των εικόνων που λαμβάνονται από το προτεινόμενο σύστημα απόκτησης εικόνων, γεγονός το οποίο οδήγησε στην ανάπτυξη πρωτότυπων μεθόδων προ-επεξεργασίας και τη μετέπειτα βελτίωση των αρχικών αποτελεσμάτων κατάτμησης που προκύπτουν από την εφαρμογή των μεθόδων ή αλγορίθμων κατάτμησης προτύπου αγγείων, γεγονός το οποίο οδήγησε στην ανάπτυξη πρωτότυπων μεθόδων μετά-επεξεργασίας. / The construction of tomographic systems of human tissue which use the infrared spectrum of radiation constitutes an important capability of making new medical diagnostic methods. One of the most crucial problems which must be resolved is the low penetrating ability and the high degree of absorption and scattering which strongly distort the radiation that pass through the human tissue. In this thesis, the problem of the extraction of finger vein pattern from infrared images of finger and the similar problem of retinal vessel tree segmentation were studied. Moreover, the problem of shading and non-uniform illumination correction was also studied in images which suffer from the above problems either due to imperfect set-up of the image acquisition system or due to the interaction between objects and illumination on the scene. In this thesis, existing algorithms were improved and novel algorithms were developed. Both vein pattern extraction algorithms and shading and non-uniform illumination correction algorithms were proposed. The proposed methods include novel preprocessing modules for intensity normalization, elimination of fingerprint lines, non linear contrast enhancement using spatial information, and shading and non uniform illumination correction. The vein pattern extraction was performed using ten novel methods that use structural classification methods, spatial derivatives information and fuzzy set theory. The effectiveness of the proposed methods and algorithms was evaluated both on real and artificial images distorted by different types of noise and different signal to noise ratios. The majority of the methods present satisfactory accuracy on the detection of vein network, something happens due to the successful collaboration between the preprocessing methods and the vein pattern extraction methods. In addition, the problem of improving the vein network extraction accuracy was successfully handled using advanced postprocessing methods based on binary mathematical morphology. Finally, in this thesis two novel methods for retinal vessel segmentation were proposed and evaluated. They also compared with the most important methods have already been presented in the literature and one of them achieved the best experimental results from all the unsupervised methods evaluated in the publicly available DRIVE database.

K pořízení snímků sítnice, která představuje nejdůležitější část lidského oka, je potřeba speciálního vybavení, kterým je fundus kamera. Z tohoto důvodu je cílem této práce navrhnout a implementovat systém, který bude schopný generovat takovéto snímky bez použítí této kamery. Navržený systém využívá mapování vstupního černobílého snímku krevního řečiště sítnice na barevný výstupní snímek celé sítnice. Systém se skládá ze dvou neuronových sítí: generátoru, který generuje snímky sítnic, a diskriminátoru, který klasifikuje dané snímky jako reálné či syntetické. Tento systém byl natrénován na 141 snímcích z veřejně dostupných databází. Následně byla vytvořena nová databáze obsahující více než 2,800 snímků zdravých sítnic v rozlišení 1024x1024. Tato databáze může být použita jako učební pomůcka pro oční lékaře nebo může poskytovat základ pro vývoj různých aplikací pracujících se sítnicemi.

This work describes completely new approach to detection of retinal nerve fibre layer (RNFL) loss in colour fundus images. Such RNFL losses indicate eye glaucoma illness and an early diagnosis of RNFL changes is very important for successful treatment. Method is presented with the purpose of supporting glaucoma diagnosis in ophthalmology. The proposed textural analysis method utilizes local binary patterns (LBP). This approach is characterized especially by computational simplicity and insensitivity to monotonic changes of illumination. Image histograms of LBP distributions are used to gain several textural features aimed to classify healthy or glaucomatous tissue of the retina. The method was experimentally tested using fundus images of glaucomatous patients with focal RNFL loss. The results show that the proposed method can be used in order to supporting diagnosis of glaucoma with satisfactory efficiency.

Tato práce se zabývá multimodální registrací snímků sítnice z různých skenovacích zařízení. Multimodální registrace umožňuje zvýraznit prvky na snímcích sítnice, které jsou důležité pro detekci různých typů onemocnění oka (jako je glaukom, degradace nervových vláken, degradace cév, atd.). Teoretická část tvoří zhruba první půlku práce a je následována praktickou částí, která popisuje postupy při různých typech registrací snímků z fundus kamery, SLO a OCT. Registrace fundus a SLO snímků je provedena pomocí prostorové transformace. Tato práce popisuje tři různé metody registrace SLO snímků se snímky z fundus kamery. První a zároveň nejjednodušší je manuální registrace. Druhou je automatická registrace založená na metodě korelace. Výsledky, včetně porovnání obou metod, jsou uvedeny v závěru. Třetím typem je poloautomatická registrace, která využívá výhod obou předchozích metod a tím pádem je kompromisem mezi rychlostí a přesností registrace. Registrace fundus snímků a B-scanů z OCT je realizována dvěma různými metodami. První je opět založená na korelaci a druhá na prostorové transformaci. Všechny tyto registrační metody jsou realizovány také prakticky v programovém prostředí Matlab.

Segmentation of vasculature tree is an important step of the process of image processing. There are many methods of automatic blood vessel segmentation. These methods are based on matched filters, pattern recognition or image classification. Use of automatic retinal image processing greatly simplifies and accelerates retinal images diagnosis. The aim of the automatic image segmentation algorithms is thresholding. This work primarily deals with retinal image thresholding. We discuss a few works using local and global image thresholding and supervised image classification to segmentation of blood tree from retinal images. Subsequently is to set of results from two different methods used image classification and discuss effectiveness of the vessel segmentation. Use image classification instead of global thresholding changed statistics of first method on healthy part of HRF. Sensitivity and accuracy decreased to 62,32 %, respectively 94,99 %. Specificity increased to 95,75 %. Second method achieved sensitivity 69.24 %, specificity 98.86% and 95.29 % accuracy. Combining the results of both methods achieved sensitivity up to72.48%, specificity to 98.59% and the accuracy to 95.75%. This confirmed the assumption that the classifier will achieve better results. At the same time, was shown that extend the feature vector combining the results from both methods have increased sensitivity, specificity and accuracy.