Search

Ztráta či poškození zraku může mít velký dopad na kvalitu života člověka. Mezi nejčastější nemoci způsobující poškození či ztrátu zraku patří diabetická retinopatie a věkem podmíněná makulární degenerace, jejichž průběhu je možné předejít včasnou diagnózou. K zrychlení a zkvalitnění diagnózy v současnosti velmi přispívá používání fundus kamer. Tyto snímky pak lze automaticky vyhodnotit za účelem detekce možných projevů těchto onemocnění na sítnici. Tato práce se zaobírá jedním z možných způsobů automatické detekce projevů onemocnění na sítnici. V první části této práce je popsáno oko a jeho možné onemocnění, včetně technik snímání očního pozadí. Druhá část této práce pak navrhuje způsob automatizované detekce a její implementaci. Nakonec jsou zhodnoceny dosažené výsledky., Loss or partial loss of eye sight can have major effect on quality of person's life. One of the most common diseases, which causes loss or partial loss of eye sight are diabetic retinopathy and age releated macular degeneration. Both of these diseases can be prevented or mediated by early detection and proper treatment. The fundus camera, which is used to capture eye retina, has had major effect on increasing quality and speed of early detection. Images captured by fundus camera can be automatically analyzed in order to detect any possible signs of retina damage. This thesis proposes one possible way of automating this process. First part of this thesis describes eye, its diseases and capturing technology. Second part then proposes way of automating detection process and its implementation. Lastly, the results are evaluated.

Cílem této práce je návrh a implementace algoritmu detekce mikroaneuryzmat, tvrdých exsudátů a měkkých exsudátů na barevných snímcích sítnice. Byl navržen algoritmus detekce objektů na základě hlubokého učení. Byla použita architektura Faster R-CNN s příznakovou pyramidovou sítí a předem vyučenou reziduální sítí společně s různými metodami transformace dat. Bylo využito celkově šesti datových sad snímků sítnic k trénování, ověřování a testování modelů. Vyučené modely dosáhly během testování hodnoty 0.46 střední průměrné přesnosti (mAP) při detekci mikroaneuryzmat a hodnoty 0.48 mAP během detekce exsudátů. Výsledné modely byly porovnány s publikovanými články a umožňují s chvályhodnou přesností detekovat dané patologie., The main goal of this work is to design and implement an algorithm for the detection of microaneurysms, hard exudates, and soft exudates on color fundus images. An algorithm for detecting objects based on deep learning has been proposed. The Faster R-CNN architecture with a feature pyramid network and a pre-pretrained residual network was used together with various data transformation methods. A total of six retinal image datasets were used to train, validate and test the models. The trained models achieved 0.46 mean average accuracy (mAP) in microaneurysm detection and 0.48 mAP in exudates detection during testing. The resulting models have been compared with published articles and make it possible to detect given pathologies with commendable accuracy.

Ztráta či poškození zraku může mít velký dopad na kvalitu života člověka. Mezi nejčastější nemoci způsobující poškození či ztrátu zraku patří diabetická retinopatie a věkem podmíněná makulární degenerace, jejichž průběhu je možné předejít včasnou diagnózou. K zrychlení a zkvalitnění diagnózy v současnosti velmi přispívá používání fundus kamer. Tyto snímky pak lze automaticky vyhodnotit za účelem detekce možných projevů těchto onemocnění na sítnici. Tato práce se zaobírá jedním z možných způsobů automatické detekce projevů onemocnění na sítnici. V první části této práce je popsáno oko a jeho možné onemocnění, včetně technik snímání očního pozadí. Druhá část této práce pak navrhuje způsob automatizované detekce a její implementaci. Nakonec jsou zhodnoceny dosažené výsledky., Loss or partial loss of eye sight can have major effect on quality of person's life. One of the most common diseases, which causes loss or partial loss of eye sight are diabetic retinopathy and age releated macular degeneration. Both of these diseases can be prevented or mediated by early detection and proper treatment. The fundus camera, which is used to capture eye retina, has had major effect on increasing quality and speed of early detection. Images captured by fundus camera can be automatically analyzed in order to detect any possible signs of retina damage. This thesis proposes one possible way of automating this process. First part of this thesis describes eye, its diseases and capturing technology. Second part then proposes way of automating detection process and its implementation. Lastly, the results are evaluated.

Cílem této práce je návrh a implementace algoritmu detekce mikroaneuryzmat, tvrdých exsudátů a měkkých exsudátů na barevných snímcích sítnice. Byl navržen algoritmus detekce objektů na základě hlubokého učení. Byla použita architektura Faster R-CNN s příznakovou pyramidovou sítí a předem vyučenou reziduální sítí společně s různými metodami transformace dat. Bylo využito celkově šesti datových sad snímků sítnic k trénování, ověřování a testování modelů. Vyučené modely dosáhly během testování hodnoty 0.46 střední průměrné přesnosti (mAP) při detekci mikroaneuryzmat a hodnoty 0.48 mAP během detekce exsudátů. Výsledné modely byly porovnány s publikovanými články a umožňují s chvályhodnou přesností detekovat dané patologie., The main goal of this work is to design and implement an algorithm for the detection of microaneurysms, hard exudates, and soft exudates on color fundus images. An algorithm for detecting objects based on deep learning has been proposed. The Faster R-CNN architecture with a feature pyramid network and a pre-pretrained residual network was used together with various data transformation methods. A total of six retinal image datasets were used to train, validate and test the models. The trained models achieved 0.46 mean average accuracy (mAP) in microaneurysm detection and 0.48 mAP in exudates detection during testing. The resulting models have been compared with published articles and make it possible to detect given pathologies with commendable accuracy.

Cieľom diplomovej práce bolo segmentovať patológiu viditeľnú na snímkach sietnice, ako sú exsudáty, hemoragia a mikroaneuryzmy. Za týmto účelom boli vyskúšané dve dobre známe hlboké neurónové siete, konkrétne U-Net a SegFormer. Na testovanie výkonnosti modelov sa použil jeden verejne dostupný dataset IDRiD. Získané výsledky boli opísané po analýze rôznych faktorov, ktoré ovplyvnili výkon modelov U-Net a Segformer., The thesis aimed to segment pathology visible in the retina images, such as exudates, hemorrhages, and microaneurysms. For that, two well known deep neural networks, named U-Net and SegFormer, were trained. To test the performance of the models, one publicly available dataset was used, named IDRiD. Obtained results were reported after analyzing different factors which affected the performance of the models U-Net and Segformer.

Although rainfed pasture is the main source of feed for dairy, meat and wool-producing livestock, irrigation is transforming regions by providing moisture, thereby extending growing seasons. Consequently, irrigated pastures require increased fertiliser application notably nitrogen (N) to sustain growth. During establishment grasses actively seek N via roots. However, applications of synthetic N fertiliser may not be fully utilised by immature roots resulting in nitrate leaching. Under irrigation, nutrient leaching poses a risk to the environment. Alternative N from amino acids (AA) transferred by clover roots sown with grasses may reduce additional N inputs until plants are established. To investigate root interactions perennial ryegrass (Lolium perenne; PRG) cv. Reward, was sown in pots with either stoloniferous red clover (Trifolium pratense; SRC) cv. Rubitas, white clover (Trifolium repens; WC) cv. Bounty or Talish clover (Trifolium tumens; TT) cv. Permatas creating a 30:70 or 70:30 grass clover composition or monocultures of 30:0 and 70:0 grass. Dry matter (DM) yields of PRG were not significantly (P > 0.05) different when clover was present at 30% and 70% compared with PRG alone. When comparing PRG 30:70 sown with either SRC, WC and TT and PRG sown alone at 30:00, the total AA (mg/g DW) of extracted PGR from roots was significantly (P<0.05) higher. Treatments analysed by species show the same significant result for PRG 30:70. Results suggest sowing PRG with clover at 30:70 may provide short-term N supply at establishment.

Cílem této práce je návrh a implementace algoritmu detekce mikroaneuryzmat, tvrdých exsudátů a měkkých exsudátů na barevných snímcích sítnice. Byl navržen algoritmus detekce objektů na základě hlubokého učení. Byla použita architektura Faster R-CNN s příznakovou pyramidovou sítí a předem vyučenou reziduální sítí společně s různými metodami transformace dat. Bylo využito celkově šesti datových sad snímků sítnic k trénování, ověřování a testování modelů. Vyučené modely dosáhly během testování hodnoty 0.46 střední průměrné přesnosti (mAP) při detekci mikroaneuryzmat a hodnoty 0.48 mAP během detekce exsudátů. Výsledné modely byly porovnány s publikovanými články a umožňují s chvályhodnou přesností detekovat dané patologie., The main goal of this work is to design and implement an algorithm for the detection of microaneurysms, hard exudates, and soft exudates on color fundus images. An algorithm for detecting objects based on deep learning has been proposed. The Faster R-CNN architecture with a feature pyramid network and a pre-pretrained residual network was used together with various data transformation methods. A total of six retinal image datasets were used to train, validate and test the models. The trained models achieved 0.46 mean average accuracy (mAP) in microaneurysm detection and 0.48 mAP in exudates detection during testing. The resulting models have been compared with published articles and make it possible to detect given pathologies with commendable accuracy.

Cílem této práce je návrh a implementace algoritmu detekce mikroaneuryzmat, tvrdých exsudátů a měkkých exsudátů na barevných snímcích sítnice. Byl navržen algoritmus detekce objektů na základě hlubokého učení. Byla použita architektura Faster R-CNN s příznakovou pyramidovou sítí a předem vyučenou reziduální sítí společně s různými metodami transformace dat. Bylo využito celkově šesti datových sad snímků sítnic k trénování, ověřování a testování modelů. Vyučené modely dosáhly během testování hodnoty 0.46 střední průměrné přesnosti (mAP) při detekci mikroaneuryzmat a hodnoty 0.48 mAP během detekce exsudátů. Výsledné modely byly porovnány s publikovanými články a umožňují s chvályhodnou přesností detekovat dané patologie., The main goal of this work is to design and implement an algorithm for the detection of microaneurysms, hard exudates, and soft exudates on color fundus images. An algorithm for detecting objects based on deep learning has been proposed. The Faster R-CNN architecture with a feature pyramid network and a pre-pretrained residual network was used together with various data transformation methods. A total of six retinal image datasets were used to train, validate and test the models. The trained models achieved 0.46 mean average accuracy (mAP) in microaneurysm detection and 0.48 mAP in exudates detection during testing. The resulting models have been compared with published articles and make it possible to detect given pathologies with commendable accuracy.

Ztráta či poškození zraku může mít velký dopad na kvalitu života člověka. Mezi nejčastější nemoci způsobující poškození či ztrátu zraku patří diabetická retinopatie a věkem podmíněná makulární degenerace, jejichž průběhu je možné předejít včasnou diagnózou. K zrychlení a zkvalitnění diagnózy v současnosti velmi přispívá používání fundus kamer. Tyto snímky pak lze automaticky vyhodnotit za účelem detekce možných projevů těchto onemocnění na sítnici. Tato práce se zaobírá jedním z možných způsobů automatické detekce projevů onemocnění na sítnici. V první části této práce je popsáno oko a jeho možné onemocnění, včetně technik snímání očního pozadí. Druhá část této práce pak navrhuje způsob automatizované detekce a její implementaci. Nakonec jsou zhodnoceny dosažené výsledky., Loss or partial loss of eye sight can have major effect on quality of person's life. One of the most common diseases, which causes loss or partial loss of eye sight are diabetic retinopathy and age releated macular degeneration. Both of these diseases can be prevented or mediated by early detection and proper treatment. The fundus camera, which is used to capture eye retina, has had major effect on increasing quality and speed of early detection. Images captured by fundus camera can be automatically analyzed in order to detect any possible signs of retina damage. This thesis proposes one possible way of automating this process. First part of this thesis describes eye, its diseases and capturing technology. Second part then proposes way of automating detection process and its implementation. Lastly, the results are evaluated.

Cieľom diplomovej práce bolo segmentovať patológiu viditeľnú na snímkach sietnice, ako sú exsudáty, hemoragia a mikroaneuryzmy. Za týmto účelom boli vyskúšané dve dobre známe hlboké neurónové siete, konkrétne U-Net a SegFormer. Na testovanie výkonnosti modelov sa použil jeden verejne dostupný dataset IDRiD. Získané výsledky boli opísané po analýze rôznych faktorov, ktoré ovplyvnili výkon modelov U-Net a Segformer., The thesis aimed to segment pathology visible in the retina images, such as exudates, hemorrhages, and microaneurysms. For that, two well known deep neural networks, named U-Net and SegFormer, were trained. To test the performance of the models, one publicly available dataset was used, named IDRiD. Obtained results were reported after analyzing different factors which affected the performance of the models U-Net and Segformer.

Cieľom diplomovej práce bolo segmentovať patológiu viditeľnú na snímkach sietnice, ako sú exsudáty, hemoragia a mikroaneuryzmy. Za týmto účelom boli vyskúšané dve dobre známe hlboké neurónové siete, konkrétne U-Net a SegFormer. Na testovanie výkonnosti modelov sa použil jeden verejne dostupný dataset IDRiD. Získané výsledky boli opísané po analýze rôznych faktorov, ktoré ovplyvnili výkon modelov U-Net a Segformer., The thesis aimed to segment pathology visible in the retina images, such as exudates, hemorrhages, and microaneurysms. For that, two well known deep neural networks, named U-Net and SegFormer, were trained. To test the performance of the models, one publicly available dataset was used, named IDRiD. Obtained results were reported after analyzing different factors which affected the performance of the models U-Net and Segformer.

Cieľom diplomovej práce bolo segmentovať patológiu viditeľnú na snímkach sietnice, ako sú exsudáty, hemoragia a mikroaneuryzmy. Za týmto účelom boli vyskúšané dve dobre známe hlboké neurónové siete, konkrétne U-Net a SegFormer. Na testovanie výkonnosti modelov sa použil jeden verejne dostupný dataset IDRiD. Získané výsledky boli opísané po analýze rôznych faktorov, ktoré ovplyvnili výkon modelov U-Net a Segformer., The thesis aimed to segment pathology visible in the retina images, such as exudates, hemorrhages, and microaneurysms. For that, two well known deep neural networks, named U-Net and SegFormer, were trained. To test the performance of the models, one publicly available dataset was used, named IDRiD. Obtained results were reported after analyzing different factors which affected the performance of the models U-Net and Segformer.

Cílem této práce je návrh a implementace algoritmu detekce mikroaneuryzmat, tvrdých exsudátů a měkkých exsudátů na barevných snímcích sítnice. Byl navržen algoritmus detekce objektů na základě hlubokého učení. Byla použita architektura Faster R-CNN s příznakovou pyramidovou sítí a předem vyučenou reziduální sítí společně s různými metodami transformace dat. Bylo využito celkově šesti datových sad snímků sítnic k trénování, ověřování a testování modelů. Vyučené modely dosáhly během testování hodnoty 0.46 střední průměrné přesnosti (mAP) při detekci mikroaneuryzmat a hodnoty 0.48 mAP během detekce exsudátů. Výsledné modely byly porovnány s publikovanými články a umožňují s chvályhodnou přesností detekovat dané patologie., The main goal of this work is to design and implement an algorithm for the detection of microaneurysms, hard exudates, and soft exudates on color fundus images. An algorithm for detecting objects based on deep learning has been proposed. The Faster R-CNN architecture with a feature pyramid network and a pre-pretrained residual network was used together with various data transformation methods. A total of six retinal image datasets were used to train, validate and test the models. The trained models achieved 0.46 mean average accuracy (mAP) in microaneurysm detection and 0.48 mAP in exudates detection during testing. The resulting models have been compared with published articles and make it possible to detect given pathologies with commendable accuracy.

Ztráta či poškození zraku může mít velký dopad na kvalitu života člověka. Mezi nejčastější nemoci způsobující poškození či ztrátu zraku patří diabetická retinopatie a věkem podmíněná makulární degenerace, jejichž průběhu je možné předejít včasnou diagnózou. K zrychlení a zkvalitnění diagnózy v současnosti velmi přispívá používání fundus kamer. Tyto snímky pak lze automaticky vyhodnotit za účelem detekce možných projevů těchto onemocnění na sítnici. Tato práce se zaobírá jedním z možných způsobů automatické detekce projevů onemocnění na sítnici. V první části této práce je popsáno oko a jeho možné onemocnění, včetně technik snímání očního pozadí. Druhá část této práce pak navrhuje způsob automatizované detekce a její implementaci. Nakonec jsou zhodnoceny dosažené výsledky., Loss or partial loss of eye sight can have major effect on quality of person's life. One of the most common diseases, which causes loss or partial loss of eye sight are diabetic retinopathy and age releated macular degeneration. Both of these diseases can be prevented or mediated by early detection and proper treatment. The fundus camera, which is used to capture eye retina, has had major effect on increasing quality and speed of early detection. Images captured by fundus camera can be automatically analyzed in order to detect any possible signs of retina damage. This thesis proposes one possible way of automating this process. First part of this thesis describes eye, its diseases and capturing technology. Second part then proposes way of automating detection process and its implementation. Lastly, the results are evaluated.

Ztráta či poškození zraku může mít velký dopad na kvalitu života člověka. Mezi nejčastější nemoci způsobující poškození či ztrátu zraku patří diabetická retinopatie a věkem podmíněná makulární degenerace, jejichž průběhu je možné předejít včasnou diagnózou. K zrychlení a zkvalitnění diagnózy v současnosti velmi přispívá používání fundus kamer. Tyto snímky pak lze automaticky vyhodnotit za účelem detekce možných projevů těchto onemocnění na sítnici. Tato práce se zaobírá jedním z možných způsobů automatické detekce projevů onemocnění na sítnici. V první části této práce je popsáno oko a jeho možné onemocnění, včetně technik snímání očního pozadí. Druhá část této práce pak navrhuje způsob automatizované detekce a její implementaci. Nakonec jsou zhodnoceny dosažené výsledky., Loss or partial loss of eye sight can have major effect on quality of person's life. One of the most common diseases, which causes loss or partial loss of eye sight are diabetic retinopathy and age releated macular degeneration. Both of these diseases can be prevented or mediated by early detection and proper treatment. The fundus camera, which is used to capture eye retina, has had major effect on increasing quality and speed of early detection. Images captured by fundus camera can be automatically analyzed in order to detect any possible signs of retina damage. This thesis proposes one possible way of automating this process. First part of this thesis describes eye, its diseases and capturing technology. Second part then proposes way of automating detection process and its implementation. Lastly, the results are evaluated.

Cílem této práce je návrh a implementace algoritmu detekce mikroaneuryzmat, tvrdých exsudátů a měkkých exsudátů na barevných snímcích sítnice. Byl navržen algoritmus detekce objektů na základě hlubokého učení. Byla použita architektura Faster R-CNN s příznakovou pyramidovou sítí a předem vyučenou reziduální sítí společně s různými metodami transformace dat. Bylo využito celkově šesti datových sad snímků sítnic k trénování, ověřování a testování modelů. Vyučené modely dosáhly během testování hodnoty 0.46 střední průměrné přesnosti (mAP) při detekci mikroaneuryzmat a hodnoty 0.48 mAP během detekce exsudátů. Výsledné modely byly porovnány s publikovanými články a umožňují s chvályhodnou přesností detekovat dané patologie., The main goal of this work is to design and implement an algorithm for the detection of microaneurysms, hard exudates, and soft exudates on color fundus images. An algorithm for detecting objects based on deep learning has been proposed. The Faster R-CNN architecture with a feature pyramid network and a pre-pretrained residual network was used together with various data transformation methods. A total of six retinal image datasets were used to train, validate and test the models. The trained models achieved 0.46 mean average accuracy (mAP) in microaneurysm detection and 0.48 mAP in exudates detection during testing. The resulting models have been compared with published articles and make it possible to detect given pathologies with commendable accuracy.

Cieľom diplomovej práce bolo segmentovať patológiu viditeľnú na snímkach sietnice, ako sú exsudáty, hemoragia a mikroaneuryzmy. Za týmto účelom boli vyskúšané dve dobre známe hlboké neurónové siete, konkrétne U-Net a SegFormer. Na testovanie výkonnosti modelov sa použil jeden verejne dostupný dataset IDRiD. Získané výsledky boli opísané po analýze rôznych faktorov, ktoré ovplyvnili výkon modelov U-Net a Segformer., The thesis aimed to segment pathology visible in the retina images, such as exudates, hemorrhages, and microaneurysms. For that, two well known deep neural networks, named U-Net and SegFormer, were trained. To test the performance of the models, one publicly available dataset was used, named IDRiD. Obtained results were reported after analyzing different factors which affected the performance of the models U-Net and Segformer.

Ztráta či poškození zraku může mít velký dopad na kvalitu života člověka. Mezi nejčastější nemoci způsobující poškození či ztrátu zraku patří diabetická retinopatie a věkem podmíněná makulární degenerace, jejichž průběhu je možné předejít včasnou diagnózou. K zrychlení a zkvalitnění diagnózy v současnosti velmi přispívá používání fundus kamer. Tyto snímky pak lze automaticky vyhodnotit za účelem detekce možných projevů těchto onemocnění na sítnici. Tato práce se zaobírá jedním z možných způsobů automatické detekce projevů onemocnění na sítnici. V první části této práce je popsáno oko a jeho možné onemocnění, včetně technik snímání očního pozadí. Druhá část této práce pak navrhuje způsob automatizované detekce a její implementaci. Nakonec jsou zhodnoceny dosažené výsledky., Loss or partial loss of eye sight can have major effect on quality of person's life. One of the most common diseases, which causes loss or partial loss of eye sight are diabetic retinopathy and age releated macular degeneration. Both of these diseases can be prevented or mediated by early detection and proper treatment. The fundus camera, which is used to capture eye retina, has had major effect on increasing quality and speed of early detection. Images captured by fundus camera can be automatically analyzed in order to detect any possible signs of retina damage. This thesis proposes one possible way of automating this process. First part of this thesis describes eye, its diseases and capturing technology. Second part then proposes way of automating detection process and its implementation. Lastly, the results are evaluated.

Cílem této práce je návrh a implementace algoritmu na detekci exsudátů a mikroaneurysmat na barevných snímcích sítnice. Tato onemocnění jsou prvními projevy diabetické retinopatie a včasné diagnostikování je stěžejní. Navržený algoritmus začíná předzpracováním, kde je odstraněno přebytečné pozadí, zvýšen kontrast pomocí CLAHE a histogram stretching a filtrování šumu. Lokalizace optického disku je založena na iterativním odstranění pozadí a řádkových a sloupcových rozptylech. Detekce exsudátů probíhá na základě gamma korekce, prahování a odstranění optického disku. Detekce mikroaneurysmat je založena na morfologických operacích, hit-or-miss transformaci a principal component analysis (PCA). Testováno bylo celkem na 4 datových sadách s přesností 73,1 % pro exsudáty a 73,3 % pro mikroaneurysmata. Výsledný program by mohl pomoci k automatické detekci onemocnění, které by mohlo ušetřit samotným lékařům čas., The goal of this thesis is to design and implement an algorithm for detecting exudates and microaneurysms in colored retinal images. These diseases are the first signs of diabetic retinopathy and early detection is crucial. The proposed algorithm begins with preprocessing, where excess background is removed, contrast is enhanced using CLAHE and histogram stretching, and noise filtering is applied. Optic disc localization is based on iterative background removal and row and column variances. Exudates detection is performed based on gamma correction, thresholding and optic disc removal. Microaneurysm detection is based on morphological operations, hit-or-miss transformation and principal component analysis (PCA). The algorithm was tested on 4 datasets with accuracy 73,1 % for exudates and 73,3 % for microaneurysms. The resulting program could assist in automatic disease detection, which could potentially save time for doctors.