Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Enhancing Job Opportunities in Rural India Through Constrained Cognitive Learning Process: Reforming Basic Education Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Automated Detection of Diabetic Retinopathy Using Weighted Support Vector Machines

verfasst von : Soumyadeep Bhattacharjee, Avik Banerjee

Erschienen in: Intelligent Systems Design and Applications

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Diabetic retinopathy is a complication of the eye caused by damage to the retinal cells due to prolonged suffering from diabetes mellitus and may lead to irreversible vision impairment in middle-age adults. The proposed algorithm detects the presence of Diabetic Retinopathy (DR) by segmentation of vital morphological features like Optic Disc, Fovea, blood vessels, and abnormalities like hemorrhages, exudates and neovascularization. The images are then classified using Support Vector Machines, based on data points in a multi-dimensional feature space. The proposed method is tested on 140 images from the Messidor database, from which 75 images are used to train an SVM model and the remaining 65 are used as inputs to the classifier.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Correlation Scaled Principal Component Regression
Nächstes Kapitel Predictive Analysis of Alertness Related Features for Driver Drowsiness Detection
Literatur
1.
Prevention of blindness from Diabetes Mellitus: Report of a WHO consultation in Geneva (2005)
2.
Singalavanija, A., Supokavej, J., Bamroongsuk, P., Sinthanayothin, C., Phoojaruenchanachai, S., Kongbunkiat, V.: Feasibility study on computer-aided screening for diabetic retinopathy. Jpn. J. Ophthalmol. 50, 361–366 (2006)CrossRef
3.
Abràmoff, M.D., Reinhardt, J.M., Russell, S.R., Folk, J.C., Mahajan, V.B., Niemeijer, M., Quellec, G.: Automated early detection of diabetic retinopathy. Ophthalmology 117(6), 1147–1154 (2010)CrossRef
4.
Niemeijer, M., van Ginneken, B., Staal, J., Suttorp-Schulten, M.S.A., Abramoff, M.D.: Automatic detection of red lesions in digital color fundus photographs. IEEE Trans. Med. Imaging 24(5), 584–592 (2005)CrossRef
5.
Fleming, A.D., Goatman, K.A., Philip, S., et al.: The role of hemorrhage and exudate detection in automated grading of diabetic retinopathy. Br. J. Ophthalmol. 94, 706–711 (2010)CrossRef
6.
Gardner, G.G., Keating, D., Williamson, T.H., Elliott, A.T.: Automatic detection of diabetic retinopathy using an artificial neural network: a screening tool. Br. J. Ophthalmol. 80(11), 940–944 (1996)CrossRef
7.
Tang, J., Kern, T.S.: Inflammation in diabetic retinopathy. Prog. Retinal Eye Res. 30(5), 343–358 (2011)CrossRef
8.
Acharya, U.R., Chua, K.C., Ng, E.Y.K., Wei, W., Chee, C.: Application of higher order spectra for the identification of diabetes retinopathy stages. J. Med. Syst. 32(6), 481–488 (2008)CrossRef
9.
Acharya, U.R., Lim, C.M., Ng, E.Y.K., Chee, C., Tamura, T.: Computer-based detection of diabetes retinopathy stages using digital fundus images. Part H J. Eng. Med. 223(5), 545–553. Proceedings of the Institution of Mechanical Engineers (2009)
10.
Usman Akram, M., Khalid, S., Tariq, A., Khan, S.A., Azam, F.: Detection and classification of retinal lesions for grading of diabetic retinopathy. Comput. Biol. Med. 45, 161–171 (2014)CrossRef
11.
Nayak, J., Bhat, P.S., Acharya, U.R., et al.: J. Med. Syst. 32, 107 (2008)CrossRef
12.
Dupas, B., Walter, T., Erginay, A., Ordonez, R., Deb-Joardar, N., Gain, P., Klein, J.-C., Massin, P.: Evaluation of automated fundus photograph analysis algorithms for detecting microaneurysms, haemorrhages and exudates, and of a computer-assisted diagnostic system for grading diabetic retinopathy 1698(3), pp. 173–249 (2010)
13.
Wong, L.Y., Acharya, U.R., Venkatesh, Y.V., Chee, C., Lim, C.M., Ng, E.Y.K.: Identification of different stages of diabetic retinopathy using retinal optical images. Inf. Sci. 178(1), 106–121 (2008)CrossRef
14.
Roychowdhury, S., Koozekanani, D.D., Parhi, K.K.: DREAM: diabetic retinopathy analysis using machine learning. IEEE J. Biomed. Health Inform. 18(5), 1717–1728 (2014)CrossRef
15.
Antal, B., Hajdu, A.: An ensemble-based system for microaneurysm detection and diabetic retinopathy grading. IEEE Trans. Biomed. Eng. 59(6), 1720–1726 (2012)CrossRef
16.
Sinthanayothin, C., Boyce, J., Cook, H., Williamson, T.: Automated localisation of the optic disc, fovea, and retinal blood vessels from digital colour fundus images. Br. J. Ophthalmol. 83(8), 902–910 (1999)CrossRef
Metadaten
Titel
Automated Detection of Diabetic Retinopathy Using Weighted Support Vector Machines
verfasst von
Soumyadeep Bhattacharjee
Avik Banerjee
Copyright-Jahr
2018
Buch
Intelligent Systems Design and Applications

Print ISBN: 978-3-319-76347-7

Electronic ISBN: 978-3-319-76348-4

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-76348-4_35