iii

ABSTRACT

Blood vessel segmentation of retinal images plays an important role in the

diagnosis of eye diseases. In this work propose an automatic unsupervised blood

vessel segmentation method for retinal images. Firstly, a multidimensional feature

vector is constructed with the green channel intensity and the vessel enhanced

intensity feature by the DWT operation . Secondly, self organizing map (SOM) is

exploited for pixel clustering, which is an unsupervised neural network. The

entire image is again input for the Self-Organizing Map, and the class of each

pixel will be the class of the best matching unit on the Self-Organizing Map. The

vessel network is post-processed using a hill climbing strategy on the connected

components of the segmented image. Finally classify each neuron in the output

layer of SOM as rental neuron, and get the final disease identification. The rental

disease Such as disease detections are diabetic retinopathy, retinal detachments,

and age related macular degeneration etc. The approach outperforms reported

state-of-the-art methods in terms of sensitivity, specificity and accuracy. The

result of training evaluation indicates its robustness to the training set. The

approach needs no artificially designed feature, reducing the impact of subjective

factors.
 iv

திட்டச்சுருக்கம்

விழித்திரை படங்களின் இரத்த நாளப் பிரிவு கண் நோய்களைக் கண்டறிவதில் முக்கிய பங்கு
வகிக்கிறது. இந்த வேலையில் விழித்திரை படங்களுக்கான தானியங்கி மேற்பார்வை செய்யப்படாத இரத்த
நாளங்கள் பிரிக்கும் முறையை முன்மொழிகிறது. முதலாவதாக, டி.டபிள்யூ.டி செயல்பாட்டின் மூலம் பச்சை
சேனல் தீவிரம் மற்றும் கப்பல் மேம்பட்ட தீவிரத்தன்மை அம்சத்துடன் பல பரிமாண அம்ச திசையன்
கட்டப்பட்டுள்ளது. இரண்டாவதாக, சுய ஒழுங்குமுறை வரைபடம் பிக்சல் கிளஸ்டரிங்கிற்காக
பயன்படுத்தப்படுகிறது, இது மேற்பார்வை செய்யப்படாத நரம்பியல் வலையமைப்பாகும். முழு படமும் மீண்டும்
சுய-ஒழுங்கமைக்கும் வரைபடத்திற்கான உள்ளீடாகும், மேலும் ஒவ்வொரு பிக்சலின் வர்க்கமும் சுய-
ஒழுங்கமைக்கும் வரைபடத்தில் சிறந்த பொருந்தக்கூடிய அலகு வகுப்பாக இருக்கும். பிரிக்கப்பட்ட படத்தின்
இணைக்கப்பட்ட கூறுகளில் ஒரு மலை ஏறும் மூலோபாயத்தைப் பயன்படுத்தி கப்பல் நெட்வொர்க் பிந்தைய
செயலாக்கப்படுகிறது. இறுதியாக இன் வெளியீட்டு அடுக்கில் உள்ள ஒவ்வொரு நியூரானையும் வாடகை
நியூரானாக வகைப்படுத்தி, இறுதி நோய் அடையாளத்தைப் பெறுங்கள். நோய் கண்டறிதல் போன்ற நீரிழிவு
விழித்திரை நோய், விழித்திரைப் பற்றின்மை மற்றும் வயது தொடர்பான மாகுலர் சிதைவு போன்றவை
வாடகை நோய். இந்த அணுகுமுறை உணர்திறன், தனித்தன்மை மற்றும் துல்லியம் ஆகியவற்றின்
அடிப்படையில் அறிவிக்கப்பட்ட அதிநவீன முறைகளை விஞ்சும். பயிற்சி மதிப்பீட்டின் விளைவாக பயிற்சித்
தொகுப்பிற்கு அதன் வலுவான தன்மையைக் குறிக்கிறது. அணுகுமுறைக்கு செயற்கையாக
வடிவமைக்கப்பட்ட அம்சம் தேவையில்லை, அகநிலை காரணிகளின் தாக்கத்தை குறைக்கிறது.