Publicaciones › Inteligencia artificial y análisis automático de imágenes
Automatic detection of microaneurysms in color fundus images
Detección automática de microaneurismas en imágenes de fondo de ojo en color
| Año | 2007 |
|---|---|
| Fuente | Medical image analysis |
| Tipo | article · Journal Article |
| Autores (6) | Thomas Walter, Pascale Massin, Ali Erginay, Richard Ordonez, Clotilde Jeulin, Jean-Claude Klein |
| Posición de Erginay | 3 de 6 |
| Citas | 375 (OpenAlex) |
| Enlaces | DOI 10.1016/j.media.2007.05.001 · PubMed 17950655 · OpenAlex |
| Líneas | Inteligencia artificial y análisis automático de imágenes Retinopatía diabética: clínica, función y progresión |
En pocas palabras
Se estudió la detección automática de microaneurismas en imágenes de fondo de ojo en color para ayudar en el diagnóstico de la retinopatía diabética. El algoritmo utilizado consta de cuatro pasos que incluyen mejora de imagen, detección de candidatos y clasificación. Se encontró que el algoritmo tiene una sensibilidad del 88,5% en la detección de microaneurismas.
Resumen divulgativo generado automáticamente a partir del resumen original; puede contener imprecisiones.
Resumen original
This paper addresses the automatic detection of microaneurysms in color fundus images, which plays a key role in computer assisted diagnosis of diabetic retinopathy, a serious and frequent eye disease. The algorithm can be divided into four steps. The first step consists in image enhancement, shade correction and image normalization of the green channel. The second step aims at detecting candidates, i.e. all patterns possibly corresponding to MA, which is achieved by diameter closing and an automatic threshold scheme. Then, features are extracted, which are used in the last step to automatically classify candidates into real MA and other objects; the classification relies on kernel density estimation with variable bandwidth. A database of 21 annotated images has been used to train the algorithm. The algorithm was compared to manually obtained gradings of 94 images; sensitivity was 88.5% at an average number of 2.13 false positives per image.