應用AdaBoost的自動學習血管強化技術

Automatic Learning Vessel Enhancement Using Adaboost

許宏全(Hung-Chuan Hsu)

指導教授 ： 蔡佳玲 ； 林維暘

國立中正大學/工學院/資訊工程學系/碩士(2015年)

摘要

本論文的主要目的是自動的判斷眼底視網膜影像中的血管是否需要強化。AdaBoost classifier利用一個預先training的model判斷輸入的眼底血管視網膜影像中血管是否清楚可見。如果血管與背景模糊不清，則對其應用血管強化，強化方式是利用Gabor wavelet分割出血管類結構，再將分割出的血管結構強化到原影像上。
利用Edge-Driven Dual-Bootstrap Iterative Closest Point (Edge-Driven DB-ICP)套合程式驗證提出的強化技術。
在本論文的60組眼底血管攝影圖，大約可以產生10216組的兩兩套合配對，本論文提出的技術可將原本91.03 % 的成功率，提升至94.82 %。

關鍵字

整體套合 ； 兩兩影像套合 ； 血管強化

並列摘要

無資料

並列關鍵字

Gabor wavelet

參考文獻

[16] Domingo, Carlos and Watanabe, Osamu. MadaBoost: A modification of AdaBoost. COLT, 180-189, 2000.

[1] J.V.B. Soares, J.J.G. Leandro, R.M. Cesar, H.F. Jelinek and M.J. Cree. Retinal. Vessel segmentation using the 2-D Gabor wavelet and supervised classification. Medical Imaging, IEEE Transactions on, 25(9):1214-1222, sep. 2006.

[2] Chia-Ling Tsai, Chun-Yi Li, Gehua Yang, and Kai-Shung Lin. The edge-driven dual-bootstrap iterative closest point algorithm for registration of multimodal fluorescein angiogram sequence. Medical Imaging, IEEE Transactions on, 29(3):636-649, mar. 2010.

[3] Xin-Chang Wu and Wei-Yang Lin. An end-to-end robust joint registration system for Indocyanine Green and Fluorescein Angiograms. 2012.

[4] Poli, Riccardo and Valli, Guido. An algorithm for real-time vessel enhancement and detection. Computer methods and programs in Biomedicine, 52(1):1-22, 1997.