Detailansicht
Anatomically coherent image segmentation of optic disc and cup
Michael Oster
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Data Science
Betreuer*in
Hrvoje Bogunovic
DOI
10.25365/thesis.78181
URN
urn:nbn:at:at-ubw:1-16179.67697.209385-9
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Zur Diagnose von Grünem Star werden häufig Fundoskopien herangezogen, welche den Sehnervenkopf und dessen Aushöhlung darstellen. Patienten, die an Grünem Star erkranken, leiden an einem erhöhten Augeninnendruck, was zu Schäden am Sehnerv führt und in besonders schlimmen Fällen mit der Erblindung des Patienten endet. Diese Schäden können in Fundoskopien durch eine wachsende Aushöhlung erkannt werden. Regelmäßige und flächendeckende Fundoskopien sind ein vielversprechender Kandidat zur Früherkennung von Grünem Star, doch die manuelle Auswertung durch medizinisches Fachpersonal ist zeitlich zu aufwendig für häufige Untersuchungen. Daher wurden in den letzten Jahre einige auf Deep Learning basierende Methoden entwickelt, um den Sehnervenkopf und dessen Aushöhlung in Fundoskopien zu segmentieren. Diese Masterarbeit beschäftigt sich mit U-Net, dem Model, auf dem viele der neueren Methoden aufbauen, und versucht anatomische Fakten in das Model zu integrieren. Das Ziel ist, ein Model zu bauen, dessen Segmentierungen anatomisch korrekt sind. Außerdem wird versucht, die benötigte Menge an annotierten Trainingsdaten zu reduzieren, da besonders im medizinischen Bereich Daten rar sind, während einiges an Vorwissen oft ungenutzt bleibt. Diese modifizierten Modelle werden dahingehend untersucht, wie dateneffizient sie lernen, also wie gut sie bereits mit wenigen Datenpunkten funktionieren.
Abstract
(Englisch)
The diagnosis of glaucoma partly relies on retinal images, which show the optic cup within the optic disc of our eyes. A person with glaucoma suffers from high ocular pressure, which results in nerve damage and can ultimately lead to blindness. In retinal images, this can be observed as growth of the optic cup. Evaluating retinal images and especially the sizes of the optic disc and optic cup is a promising way to screen many people for glaucoma, however, medical experts would be overwhelmed by doing the evaluations manually. Therefore, the last years saw a rise of deep learning approaches, which allow for segmenting the optic disc and optic cup reasonably well. This Master’s Thesis looks at U-Net, the architecture most of these approaches are built upon, and investigates the inclusion of anatomical prior knowledge. The goal is to make models which produce anatomically coherent outputs. Furthermore, this Master’s Thesis aims to reduce the amount of labelled data needed to train the model, as data, especially in the medical domain, can be scarce, while anatomical knowledge is often present. Modifications of U-Net which include prior anatomical facts are tested and compared in terms of their data efficiency, i.e., how well they perform when trained with small amounts of data.
Schlagwörter
Schlagwörter
(Deutsch)
Deep Learning Grüner Star Glaukom Bildverarbeitung Dateneffizienz Anatomische Kohärenz
Schlagwörter
(Englisch)
Deep Learning Glaucoma Computer Vision Data efficiency Anatomical coherence
Autor*innen
Michael Oster
Haupttitel (Englisch)
Anatomically coherent image segmentation of optic disc and cup
Publikationsjahr
2025
Umfangsangabe
xii, 71 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Hrvoje Bogunovic
Klassifikation
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC17489669
Utheses ID
75293
Studienkennzahl
UA | 066 | 645 | |