Return to search

Automated fundus images analysis techniques to screen retinal diseases in diabetic patients / Analyse de "Fundus" image par le diagnostique de la retinopathie diabétique

Cette thèse a pour objet l’étude de nouvelles méthodes de traitement d’image appliquées à l’analyse d’images numériques du fond d'œil de patients diabétiques. En particulier, nous nous sommes concentrés sur le développement algorithmique supportant un système de dépistage automatique de la rétinopathie diabétique. Les techniques présentées dans ce document peuvent être classées en trois catégories: (1) l’évaluation et l’amélioration de la qualité d’image, (2) la segmentation des lésions, et (3) le diagnostic. Pour la première catégorie, nous présentons un algorithme rapide permettant l’estimation numérique de la qualité d’une seule image à partir de caractéristiques extraites de la vascularisation et de la couleur du fond d'œil. De plus, nous démontrons qu’il est possible d’augmenter la qualité des images et de supprimer les artefacts de réflexion en fusionnant les informations extraites de plusieurs images d’un même fond d'œil (images capturées en changeant le point d’attention regardé par le patient). Pour la deuxième catégorie, deux familles de lésion sont ciblées: les exsudats et les microanévrysmes. Deux nouveaux algorithmes pour l’analyse des images du fond d'œil sont proposés et comparés avec les techniques existantes afin de démontrer leur efficacité. Dans le cas des microanévrismes, une nouvelle méthode basée sur la transformée de Radon a été développée. Dans la dernière catégorie, nous présentons un algorithme permettant de diagnostiquer la rétinopathie diabétique et les œdèmes maculaires en analysant les lésions détectées par segmentation d’image; à partir d’une seule image, notre algorithme permet de diagnostiquer une rétinopathie diabétique et/ou un œdème maculaire en ~ 22 secondes sur une machine à 1,6 GHz avec 4 Go de RAM; de plus, nous montrons les premiers résultats de notre algorithme de détection d'œdème maculaire basé sur des images du fond d'œil multiples, qui peut éventuellement permettre d’identifier le gonflement de la macula même si aucune lésion n’est visible. / In this Ph.D. thesis, we study new methods to analyse digital fundus images of diabetic patients. In particular, we concentrate on the development of the algorithmic components of an automatic screening system for diabetic retinopathy. The techniques developed can be categorized in: quality assessment and improvement, lesion segmentation and diagnosis. For the first category, we present a fast algorithm to numerically estimate the quality of a single image by employing vasculature and colour-based features; additionally, we show how it is possible to increase the image quality and remove reflection artefacts by merging information gathered in multiple fundus images (which are captured by changing the stare point of the patient). For the second category, two families of lesion are targeted: exudate and microaneurysms; two new algorithms which work on single fundus images are proposed and compared with existing techniques in order to prove their efficacy; in the microaneurysms case, a new Radon transform-based operator was developed. In the last diagnosis category, we have developed an algorithm that diagnoses diabetic retinopathy and diabetic macular edema based on the lesions segmented; starting from a single unseen image, our algorithm can generate a diabetic retinopathy and ma cular edema diagnosis in _22 seconds on a 1.6 GHz machine with 4 GB of RAM; additionally, we show the first results of a macular edema detection algorithm based on multiple fundus images, which can potentially identify the swelling of the macula even when no lesions are visible.

Identiferoai:union.ndltd.org:theses.fr/2011DIJOS009
Date27 September 2011
CreatorsGiancardo, Luca
ContributorsDijon, Mériaudeau, Fabrice, Karnowski, Thomas P.
Source SetsDépôt national des thèses électroniques françaises
LanguageEnglish
Detected LanguageFrench
TypeElectronic Thesis or Dissertation, Text

Page generated in 0.0015 seconds