Fusion of semi-synthetic retinal image segmentations

Abstract

The aim of this thesis was to get acquainted with and compare the performances of several label fusion algorithms experimentally using retinal image segmentations. Because the initial retinal image data could not be used alone as the input to the label fusion algorithm, several sets of synthetic segmentations were created. The data sets were created using BristolDB retinal image database that had segmentations for exudates in retinal images and the process was documented in detail. The best performing fusion algorithm was STAPLE, although there were no major differences in the performances of the used algorithms.

Tämän kandidaatintyön tavoitteena oli tutustua ja vertailla useaa eri kuvasegmentointien fuusiointimenetelmää kokeellisesti käyttäen silmänpohjakuviin tehtyjä ryhmittelyjä. Koska alkuperäistä silmänpohjakuvadataa ei voitu yksinään käyttää kuvasegmentointien fuusiointimenetelmien syötteenä, tuotettiin useita puolisynteettisiä aineistoja kuvasegmentointien fuusiointimenetelmien vertailua varten. Nämä aineistot tuotettiin BristolDB silmänpohjakuvatietokantaa hyödyntäen, johon on merkitty silmänpohjakuvissa esiintyvät eksudaatit. Parhaiten synteettisesti luodulla datalla toimiva kuvasegmentointien fuusiointimenetelmä oli STAPLE, vaikkakaan eri kuvasegmentointien fuusiointimenetelmien välillä ei ollut suurta eroa.