Detekcija dijabetičke retinopatije pomoću strojnog učenja

master's thesis

• Title (english): Diabetic retinopathy detection using machine learning
• Author: Jan Bzik
• Mentor: Marko Subašić (mentor)
• Committee member: Marko Subašić (predsjednik povjerenstva)
• Committee member: Sven Lončarić (član povjerenstva)
• Committee member: Zvonko Kostanjčar (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2015-07-13, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Procjenjuje se da dijabetes pogađa 387 milijuna ljudi. Dijabetička retinopatija u nekom obliku javlja se kod 35% - 40% oboljelih od dijabetesa. To je bolest koja može uzrokovati ozbiljno pogoršanje vida, pa čak i sljepoću. Liječnici, oftalmolozi, dijagnosticiraju dijabetičku retinopatiju nakon uvida u slike očne pozadine. To bolest karakteriziraju abnormalne strukture koje se pojavljuju na pozadini oka, abnormalne strukture poput: eksudata, mikroaneurizmi, krvarenja i neovaskularizacija. Ovaj rad opisuje sustav koji klasificira slike očne pozadine u jednu od 5 klasa. Slike su pretprocesirane radi poboljšanja kontrasta. Sustav se sastoji od dva dijela: nenadziranog učenja značajki pomoću algoritma k - srednjih vrijednosti i nadziranog učenja pomoću linearnog SVM-a. Sustav je testiran na skupu podataka objavljenom na Kaggleu u veljači, 2015. Sustav je postigao točnost klasifikacije od 65.8% i odziv 66%.

Abstract (english)

It is estimated that there are 387 million people who suffer from diabetes. 35% - 40% of people who suffer from diabetes have some state of diabetic retinopathy. It is a disease that causes sight degradation, even blindness. Ophtalmologists diagnose the disease after inspecting eye fundus images. Disease is characterised by appearance of abnormal structures in eye fundus such as: exudates, microaneurysms, hemorrhages and neovascularisations. In this paper a classifiaction system is developed. It predicts diabetic retinopathy level in one of five classes. System works in three steps: contrast enhancement (CLAHE), unsupervised feature learning (k - means), linear SVM for classification. Classifier is tested on dataset published by Kaggle in February, 2015. It achieved 65.8% accuracy and 66% sensitivity.

• Keywords: k - srednjih vrijednosti; nenadzirano učenje značajki; nadzirano učenje; SVM; dijabetička retinopatija; klasifikacija; Kaggle
• Keywords (english): k - means; unsupervised feature learning; supervised learning; SVM; diabetic retinopathy; classification; Kaggle
• Language: croatian
• URN:NBN: urn:nbn:hr:168:306182
• Study programme: Title: Information and Communication Technology; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka informacijske i komunikacijske tehnologije (magistar/magistra inženjer/inženjerka informacijske i komunikacijske tehnologije)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2018-02-06 08:09:01