Deep Learning-based Methods for Extracting Fundus Image Landmarks and Signs of Eye Diseases

Abstract

La retinopatia diabètica (RD) és la causa més típica de pèrdua visual en adults en edat de treballar. El 2040, es preveu que més de 200 milions de persones tindran DR. El glaucoma afecta uns 75 milions d'individus a tot el món i s'anomena el lladre silenciós de la vista. Per tant, el diagnòstic precoç del glaucoma i la RD requereix un procediment de cribratge eficient. Per tant, els centres mèdics realitzen regularment revisions oculars als pacients, especialment als diabètics, per minimitzar el risc de ceguesa. L'examen d'imatges del fons de l'ull requereix molta expertesa, temps, cost i genera errors. Per tant, és crucial desenvolupar un sistema de diagnòstic assistit per ordinador (CAD) que analitzi les imatges del fons ocular per ajudar els oftalmòlegs. Les tècniques de visió per ordinador, com ara l'aprenentatge profund i especialment les xarxes neuronals convolucionals (CNN), han millorat significativament el rendiment dels sistemes CAD. Aquesta tesi utilitza tècniques de visió per ordinador per considerar quatre tasques oculars: segmentació del disc òptic, detecció de glaucoma, segmentació de lesions degudes a DR com exudats o microaneurismes a partir d'imatges de fons d'ull.

La retinopatía diabética (RD) es la causa más típica de pérdida visual en adultos en edad laboral. En 2040, se prevé que más de 200 millones de personas tendrán RD. El glaucoma afecta a unos 75 millones de personas en todo el mundo y se le llama el ladrón silencioso de la vista. Por lo tanto, el diagnóstico precoz de glaucoma y RD requiere un procedimiento de detección eficaz. Para ello, los centros médicos realizan revisiones oftalmológicas periódicas a los pacientes, especialmente a los diabéticos, para minimizar el riesgo de ceguera. Examinar las imágenes del fondo de ojo requiere mucho trabajo, mucho tiempo, es costoso y es propenso a errores. Por lo tanto, es crucial desarrollar un sistema de diagnóstico asistido por computadora (CAD) que analice imágenes de fondo de ojo para ayudar a los oftalmólogos. Las técnicas de visión por computadora, como el aprendizaje profundo y especialmente las redes neuronales convolucionales (CNN), han mejorado significativamente el rendimiento de los sistemas CAD.

Diabetic Retinopathy (DR) is the most typical cause of visual loss in working-age adults. In 2040, it is predicted that over 200 million people will have DR. Glaucoma affects about 75 million individuals worldwide, and it is called the silent thief of sight. Therefore, early diagnosis of glaucoma and DR requires an efficient screening procedure. In addition, medical centers regularly perform eye checkups for patients, especially diabetic ones, to minimize the risk of blindness. Examining eye fundus images is labor-intensive, time-consuming, expensive, and error-prone. Therefore, developing a computer-aided diagnosis (CAD) system that analyzes eye fundus images to help ophthalmologists is crucial. Computer vision techniques, like deep learning and especially convolutional neural networks (CNNs), have significantly improved CAD systems' performance. This thesis uses computer vision techniques to consider four eye tasks: optic disc segmentation, glaucoma detection, segmenting exudate lesions and segmenting other kinds of retinal eye DR lesions from fundus images.