Lo scopo della mia tesi è quello di mettere a punto un algoritmo capace di tracciare automaticamente i vasi retinici in immagini acquisite tramite RetCam di neonati pretermine. Queste piccole creature rischiano infatti di sviluppare una particolare retinopatia: la Retinopatia del Prematuro (ROP). Questa malattia colpisce la retina e può portare a gravi problemi per la salute del prematuro che potrebbe compromettere la sua vista o addirittura rimanere cieco con il distacco della retina. Se la ROP viene diagnosticata in tempo può essere opportunamente curata evitando così i problemi più gravi. Ispezionare il fondo oculare è un operazione indispensabile per valutare lo stato di salute della retina del neonato; spesso però accade che la diagnosi sia affetta da soggettività del medico e questo non è tollerabile, specie nei casi più gravi dove magari bisogna decidere se intervenire chirurgicamente o meno. Da qui nasce l’esigenza di cercare un metodo diagnostico che sia il più possibile oggettivo. Il tracciamento automatico dei vasi retinici in questo senso potrebbe offrire un grosso contributo ma si tratta di una tecnica ancora in via di sviluppo a causa delle non poche difficoltà che si incontrano nella sua realizzazione e dovute ad esempio ad una scarsa qualità delle immagini da elaborare. Dato che il metodo di tracciamento utilizzato sfrutta un classificatore SVM, il mio lavoro fondamentalmente è stato quello di eseguire una ricerca dei parametri migliori che identificano il kernel dell’SVM, allenare il classificatore ed infine farne un test ed una validazione. Il tutto è stato fatto sfruttando un data set di 20 immagini RetCam: 10 usate per l’allenamento del classificatore e 10 per il testarlo

Segmentazione di vasi retinici in immagini ROP tramite classificazione con SVM: selezione dei parametri e validazione del modello

Tosato, Andrea
2011/2012

Abstract

Lo scopo della mia tesi è quello di mettere a punto un algoritmo capace di tracciare automaticamente i vasi retinici in immagini acquisite tramite RetCam di neonati pretermine. Queste piccole creature rischiano infatti di sviluppare una particolare retinopatia: la Retinopatia del Prematuro (ROP). Questa malattia colpisce la retina e può portare a gravi problemi per la salute del prematuro che potrebbe compromettere la sua vista o addirittura rimanere cieco con il distacco della retina. Se la ROP viene diagnosticata in tempo può essere opportunamente curata evitando così i problemi più gravi. Ispezionare il fondo oculare è un operazione indispensabile per valutare lo stato di salute della retina del neonato; spesso però accade che la diagnosi sia affetta da soggettività del medico e questo non è tollerabile, specie nei casi più gravi dove magari bisogna decidere se intervenire chirurgicamente o meno. Da qui nasce l’esigenza di cercare un metodo diagnostico che sia il più possibile oggettivo. Il tracciamento automatico dei vasi retinici in questo senso potrebbe offrire un grosso contributo ma si tratta di una tecnica ancora in via di sviluppo a causa delle non poche difficoltà che si incontrano nella sua realizzazione e dovute ad esempio ad una scarsa qualità delle immagini da elaborare. Dato che il metodo di tracciamento utilizzato sfrutta un classificatore SVM, il mio lavoro fondamentalmente è stato quello di eseguire una ricerca dei parametri migliori che identificano il kernel dell’SVM, allenare il classificatore ed infine farne un test ed una validazione. Il tutto è stato fatto sfruttando un data set di 20 immagini RetCam: 10 usate per l’allenamento del classificatore e 10 per il testarlo
2011-09-23
51
retina, ROP, SVM, segmentazione, RetCam
File in questo prodotto:
File Dimensione Formato  
Tesi_Andrea_Tosato.pdf

accesso aperto

Dimensione 6.67 MB
Formato Adobe PDF
6.67 MB Adobe PDF Visualizza/Apri

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/15086