Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Simultaneous lesions and optic disc segmentation from ophthalmoscopic images

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F18%3APU129197" target="_blank" >RIV/00216305:26220/18:PU129197 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Simultaneous lesions and optic disc segmentation from ophthalmoscopic images

  • Popis výsledku v původním jazyce

    In this paper we present a novel approach to retina images segmentation. Simultaneously, 5 classes of objects are segmented including microaneurysms, haemorrhages, hard and soft exudates and optic disc. Segmentation of these eye disease symptoms is not straightforward, segmented objects are small, granular and may not be present in all images. We employ deep learning with fully convolutional methods. For a comparison, two different convolutional networks are used, SegNet and PSPNet. They are based on deep classifiers; therefore, we were able to use pretrained weights and only fine-tune both networks. Results suggest, we have chosen a perspective approach because we reached promising results.

  • Název v anglickém jazyce

    Simultaneous lesions and optic disc segmentation from ophthalmoscopic images

  • Popis výsledku anglicky

    In this paper we present a novel approach to retina images segmentation. Simultaneously, 5 classes of objects are segmented including microaneurysms, haemorrhages, hard and soft exudates and optic disc. Segmentation of these eye disease symptoms is not straightforward, segmented objects are small, granular and may not be present in all images. We employ deep learning with fully convolutional methods. For a comparison, two different convolutional networks are used, SegNet and PSPNet. They are based on deep classifiers; therefore, we were able to use pretrained weights and only fine-tune both networks. Results suggest, we have chosen a perspective approach because we reached promising results.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    20205 - Automation and control systems

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2018

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    YBERC 2018 International Conference Proceedings

  • ISBN

    978-80-8086-271-8

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    6

  • Strana od-do

    1-6

  • Název nakladatele

    Katedra biomedicínskeho inžinierstva a merania

  • Místo vydání

    Kočice

  • Místo konání akce

    Košice

  • Datum konání akce

    3. 10. 2018

  • Typ akce podle státní příslušnosti

    EUR - Evropská akce

  • Kód UT WoS článku