제안 방법

• 망막혈관 영상에 Top-Hat 형태학적 연산자를 적용하여 혈관 명암 대비도를 증가시키고 가우시언 저주파대역 통과 필터를 이용하여 영상의 잡음을 억제한다. 최종적으로 K-평균 군집화(K-means clustering) 알고리즘과 DRIVE(Digital Retinal Images for Vessel Extraction) 훈련 데이터의 학습을 통하여 혈관영역과 비영역으로 분리하는 기법이 사용된다[4].
• 최근에 망막혈관 영상의 명암대비도와 신호대 잡음비를 향상시킨 다음에, 합성곱(convolutional neural network) 딥러닝 모델을 활용 하여 망막혈관 영역을 자동적으로 판별하는 연구 결과들이 제시되고 있다[8]. 제시된 알고리즘들에서는 최소한 2개 층 이상의 합성곱 모델이 활용되며, 망막혈관 영역에 속한지 여부를 판별하기 위해서 테스트 영상을 patch 형태로 인위적으로 분할하고 주어진 마스크 또는 레이블 영상으로 훈련과정을 거쳐서 최적의 딥러닝 모델을 결정한다. 경우에 따라서, 큰 혈관, 미세혈관 및 배경 영역을 보다 더 효율적으로 분리하기 위해서 여러 가지 크기의 patch들이 설정된다.