Počet záznamů: 1

Texture Analysis of the Retinal Nerve Fiber Layer in Fundus Images via Markov Random Fields

  1. 1.
    0332121 - UTIA-B 2010 RIV DE eng C - Konferenční příspěvek (zahraniční konf.)
    Kolář, R. - Vácha, Pavel
    Texture Analysis of the Retinal Nerve Fiber Layer in Fundus Images via Markov Random Fields.
    [Texturní analýza retinálních nervových vláken v obraze fundu pomocí markovských náhodných polí.]
    World Congress on Medical Physics and Biomedical Engineering. Heidelberg: Springer, 2009 - (Dössel, O.; Schlegel, W.), s. 247-250. ISBN 978-3-642-03890-7.
    [World Congress on Medical Physics and Biomedical Engineering. Munich (DE), 07.11.2009-12.11.2009]
    Grant CEP: GA MŠk 1M0572
    Grant ostatní: GA MŠk(CZ) 2C06019
    Výzkumný záměr: CEZ:AV0Z10750506
    Klíčová slova: glaucoma * texture analysis * fundus image
    Kód oboru RIV: BD - Teorie informace
    http://library.utia.cas.cz/separaty/2009/RO/vacha-texture%20analysis%20of%20the%20retinal%20nerve%20fiber%20layer%20in%20fundus%20images%20via%20markov%20random%20fields.pdf http://library.utia.cas.cz/separaty/2009/RO/vacha-texture%20analysis%20of%20the%20retinal%20nerve%20fiber%20layer%20in%20fundus%20images%20via%20markov%20random%20fields.pdf

    This paper describes method for analysis of the texture created by retinal nerve fibers (RNF) via Markov Random Fields. The Causal Autoregressive Random (CAR) model is used to create a feature vector describing the changes in texture due to losses in RNF layer. It is shown that features based on CAR model can be used for discrimination between healthy and glaucomatous tissue using simple linear classifier. The classification error is slightly below 4% for the tested dataset.

    Tento článek popisuje metodu pro analýzu textury, kterou vytváří na sítnici nervová vlákna (retinal nerve fibers - RNF), s využitím Markovovských náhodných polí. Používáme kauzální autoregresní náhodný model (Causal Autoregressive Random model - CAR), z kterého získáváme příznakový vektor popisující změny v textuře způsobené ztrátami v RNF vrstvě. Ukazujeme, že příznakový vektor založený na CAR modelu lze společně s lineárním klasifikátorem použít pro rozlišení mezi zdravou tkání a glaukomem. Chyba klasifikace je pro testovaný datový soubor slabě pod 4%.
    Trvalý link: http://hdl.handle.net/11104/0177455