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
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Office Monitoring and Surveillance System Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

Diabetic Retinopathy Detection with Optimal Feature Selection: An Algorithmic Analysis

verfasst von : S. Shafiulla Basha, Syed Jahangir Badashah

Erschienen in: Techno-Societal 2020

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

This work aims to establish a new automated Diabetic Retinopathy (DR) recognition scheme, which involves phases such as “Preprocessing, Blood Vessel Segmentation, Feature Extraction, and Classification”. Initially, Contrast Limited Adaptive Histogram Equalization (CLAHE) and median filter aids in pre-processing the image. For blood vessels segmentation, Fuzzy C Mean (FCM) thresholding is deployed that offers improved threshold values. As the next process, feature extraction is performed, where local, morphological transformation oriented features and Gray-Level Run-Length Matrix (GLRM) is based on extracted features. Further, the optimal features are selected using a new FireFly Migration Operator-based Monarch Butterfly Optimization (FM-MBO) model. Finally, Convolutional Neural Network (CNN) is deployed for classification purposes. Moreover, to attain better accuracy, the count of convolutional neurons of CNN is optimally elected using the proposed FM-MBO algorithm.

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 Dense Haze Removal Using Convolution Neural Network
Nächstes Kapitel Students Perception and Satisfaction Towards ICT Enabled Virtual Learning
Literatur
1.
Wan S, Liang Y, Zhang Y (2018) Deep convolutional neural networks for diabetic retinopathy detection by image classification. Comput Electr Eng 72:274–282CrossRef
2.
Leontidis G (2017) A new unified framework for the early detection of the progression to diabeticretinopathy from fundus images. Comput Biol Med 90:98–115CrossRef
3.
Arias MEG, Marin D, Ponte B, Alvarez F, Bravo JM (2017) A tool for automated diabetic retinopathy pre-screening based on retinal image computer analysis. Comput Biol Med 88:100–109CrossRef
4.
Romero RR, Carballido JM, Capistrán JH, Valencia LJU (2015) A method to assist in the diagnosis of early diabetic retinopathy: Image processing applied to detection of microaneurysms in fundus images. Comput Med Imaging Graph 44:41–53CrossRef
5.
Gupta G, Kulasekaran S, Ram K, Joshi N, Gandhi R (2017) Local characterization of neovascularization and identification of proliferative diabetic retinopathy in retinal fundus images”. Comput Med Imaging Graph 55:124–132CrossRef
6.
Shanthi T, Sabeenian RS (2019) Modified Alexnet architecture for classification of diabetic retinopathy images. Comput Electr Eng 76:56–64CrossRef
7.
Kumar S, Adarsh A, Kumar B, Singh AK (2020) An automated early diabetic retinopathy detection through improved blood vessel and optic disc segmentation. Opt Laser Technol 121, Article 105815
8.
Zago GT, Andreão RV, Dorizzi B, Salles EOT (2020) Diabetic retinopathy detection using red lesion localization and convolutional neural networks, Comput Biol Med 116, Article 103537
9.
Liu Y-P, Li Z, Xu C, Li J, Liang R (2019) Referable diabetic retinopathy identification from eye fundus images with weighted path for convolutional neural network. Artif Intell Med 99, 2019, Article 101694
10.
Chang Y, Jung C, Ke P, Song H, Hwang J (2018) Automatic contrast-limited adaptive histogram equalization with dual gamma correction. IEEE Access 6:11782–11792CrossRef
11.
Zhu Y, Huang C (2012) An improved median filtering algorithm for image noise reduction. Phys Procedia 25:609–616CrossRef
12.
Masood A, Jumaily AAA, Hoshyar AN, Masood O (2013) Automated segmentation of skin lesions: Modified Fuzzy C mean thresholding based level set method. INMIC, Lahore 2013:201–206CrossRef
13.
Zhu C, Zou B, Zhao R, Cui J, Duan X, Chen Z, Liang Y (2017) Retinal vessel segmentation in colour fundus images using extreme learning machine. Comput Med Imaging Graph 55:68–77CrossRef
14.
Radhakrishnan M, Kuttiannan T (2012) Comparative analysis of feature extraction methods for the classification of prostate cancer from TRUS medical images. IJCSI Int J Comput Sci 9(2)
15.
Venkat Narayana Rao T, Govardhan A, Badashah SJ (2010) Improved lossless embedding and extraction—A data hiding mechanism. Int J Comput Sci Inf Technol 2:75–86
16.
Gu J, Wang Z, Kuen J, Ma L, Shahroudy A, Shuai B, Liu T, Wang X, Wang G, Cai J, Chen T (2018) Recent advances in convolutional neural networks. Pattern Recogn 77:354–377CrossRef
17.
Wang S, Deb G-G, Cui Z (2015) Monarch butterfly optimization. Neural Comput Appl, 1–20
18.
Gandomia XS, Yang S, Talatahari, Alavi AH (2013) Firefly algorithm with chaos. Commun Nonlinear Sci Numer Simulat 18:89–98
Metadaten
Titel
Diabetic Retinopathy Detection with Optimal Feature Selection: An Algorithmic Analysis
verfasst von
S. Shafiulla Basha
Syed Jahangir Badashah
Copyright-Jahr
2021
Buch
Techno-Societal 2020

Print ISBN: 978-3-030-69920-8

Electronic ISBN: 978-3-030-69921-5

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-3-030-69921-5_56

Premium Partner

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

    Zur Marktübersicht
    Bildnachweise