Bartschat, Andreas (2016)
Automatic Classification of Cornea Tissues for Autofocus Algorithm.
Technische Universität Darmstadt
Masterarbeit, Bibliographie

Kurzbeschreibung (Abstract)

Corneal confocal microscopy (CCM) is a spreading technique for investigations of cellular structures in the human cornea. It is non-invasive and allows in vivo imaging of the different tissue layers in the cornea with high resolution. High expectations are currently placed on CCM, to allow rapid and detailed analysis of pathological alterations affecting the peripheral nerves that innervate the cornea, resulting not only in fast diagnosis, but also providing insights into the progress and severity of diseases like diabetes. For the fast and reliable imaging of the sub-basal nerve plexus (SNP), the layer with the highest density of nerves, the focus must be adapted to compensate anatomical layer irregularities and reversible folds. This thesis analyses classification methods of the anatomical tissues surrounding the SNP, to find reliable and fast classification models, suitable for online focus adaptations of the microscope to the layer of interest based on the predicted tissue type of the current image. The proposed methods are able to achieve accuracies of more than 92 with a runtime of less than 10 ms per image, evaluated on datasets of more than 8000 images as well as successfully applied in studies for the reconstruction of large field of view images of the SNP. Corneal confocal microscopy (CCM) ist eine sich verbreitende Technik für die Auswertung von zellulären Strukturen der menschlichen Cornea. Sie ist nicht invasiv und erlaubt die Aufnahme von verschiedenen Gewebeschichten der Cornea in einer hohen Auflösung des lebenden Gewebes. Aktuell werden hohe Erwartungen in die CCM gesetzt, wenn es um die schnelle und detaillierte Analyse von pathologischen Veränderungen geht. Die Auswirkungen auf das periphere Nervensystem, welches die Cornea innerviert, ermöglichen Einblicke in den Verlauf und die Schwere von Krankheiten wie Diabetes. Für die schnelle und zuverlässige Auswertung des sub-basalen Nervenplexus (SNP), der Schicht mit der höchsten Dichte von Nervenfasern, muss der Fokus Unregelmäßigkeiten in der anatomischen Schicht folgen und Falten ausgleichen können. Diese Arbeit analysiert Klassifikationsmethoden für die anatomischen Schichten um das SNP, mit dem Ziel, zuverlässige und schnelle Klassifikationsmodelle zu finden, die sich für eine Echtzeit- Fokusnachführung des Mikroskops auf die zu untersuchende Schicht eignen. Die vorgeschlagenen Methoden erreichen eine Klassifikationsgüte von über 92 mit einer Laufzeit von weniger als 10 ms pro Bild. Evaluiert wurden die Methoden mit über 8000 Bildern und auch der Einsatz in Studien zur Rekonstruktion von erweiterten Bildfeldern der SNP-Schicht war erfolgreich.

Frage zum Eintrag

Redaktionelle Details anzeigen