Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   11 ,  No.   3 ,  Septem ber   201 8 , pp.  1 083 ~ 1093   IS S N:  25 02 - 4752 ,  DOI: 10 .11 591/ ijeecs . v1 1.i 3 .pp 1083 - 1093          1083       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Autom ated  Det ection  o f Mi croan eurysms  u sing Probabil ist ic  Cascade d Neural  Networ k       Jeyapri ya J,  Umadevi   K  S,  Jagadee sh   K an n an  R   School  of  Co m p uti ng  Sci ence &  Engi ne eri ng,   V e ll ore   Instit u te of Te chno log y ,   Ind ia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved  May   1,   2018  Re vised Ju n 2 1, 20 18  Accepte d  J un  28, 201 8       The   dia gnosing   fea tur es  for  Diabe t ic   Re ti no pat h y   (DR)  co m prises  of   fea tur es  occ urr i ng  in  and  aro un d  the   reg ions  of  blood  vessel  z one  which   will   result   int o  exude s,  hemorr hage s,  m ic roa n e ur y sm s  and  gene ration  of  te xtur es  on  the   al bum en  reg ion   of  e y e  balls.  I n  thi s  stud y   we   pre senta  proba bil ist ic   con volut ion  neu ral   net work  base d  a lgori thms ,   utilized  for  the  ext ra ct ion   of  su ch  fe at ure s  fro m   the   retina l   i m age s  of  pat i en t’s  e y eb al ls.   The   class ifi c at   i ons  profic ie nc y  of  var ious  DR   sy st ems   is  ta bula t ed  and   exa m ine d .   The  m aj ority   of  the   rep orte d   s y st ems   are   profoundl y  adva n ce d   reg ard ing  th e  a naly z ed  fundus  images  is  ca tc hing  up  to  the   hum an   ophtha lmologist ’s c har ac t eri z ati on  ca p acities.     Ke yw or d s :   Bl ood vessel    Detect ion   of  diabeti c  reti nopathy   Re ti nal n er ve h e m or r hag e s  m ic ro ane ur ys m s     Copyright   ©   201 8   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Jey a pr iy a J,   School  of Com pu ti ng  Scie nce  &  E ngineeri ng,    Vell or e  Insti tute o f  Tec hnolog y, I nd ia .     Em a il :  pr iy acse m e@g m ail.co m       1.   INTROD U CTION     Ra pid   ad va nce m ent  of   diabet es  has  bee n  th e  m os t  pr om inent  fun dam ent al   diff ic ulti es  of   a vaili ng  pro per  h eal th  protect io n  ser vice. Th e m easur e o f  ind i vidual s inf lue nced   with the d ise ase keeps o n  devel op i ng   at   a  distur bing  rate.  The  WHO  ( World   Healt h  Orga niza ti on)  ex pe ct s  the  qu a ntit y  of   ind i vidua ls  with  diabeti cs  to   inc rem ent  fr om   m or e   tha n  125  m il li on   to  over  350  m i ll ion   thr ough ou t  t he  fo ll ow i ng  tw o  dec ades  [1 ] .  T he  ci rcum s ta nce  is  exa cerb at e d  by  th e  way  that  on e  an d  on ly   50%  of  the   patie nts  kn ow  ab ou t  there   pro gr essi on   of  disease.  Wh at ' s  m or e,  worse ns   the  sit uatio n  is  as  thera pe utica ll y,  diabetes  prom pts  to  caus e   extrem e  com pl ic at ion s  as  it   pro gr e sses  furth er.  T hese  i ntri caci es  inco rpo rate  la rg e   scal e  an d  sm al le r  scale   vasc ular  cha nges  wh ic h  resu l t  in  cor ona ry  il lness,  renal   issues  an d  reti nopat hy.  For  in sta nce,  surv ey   in  the  USA  al one   de m on strat e  that  diabetes  is   co nsi der e d  t o  the   5 th   m os t  de adl ie st  disease,   an d  ti ll   now   the r e  is  no   cur e   [ 2].  Diabe ti c  reti nopathy  (D R)   as   sho wn  in  Fig ur e   1  is  a  ty pical   aftera ff ect   of  diabete s.  Und oubtedl y,  it   is  com m on   to  the  point  t hat  it   is  the  m ai n  so urce  of  vis ua l  def ic ie ncy  i n  the  work i ng  popu la ce  of  we ste rn  nations  [ 3],  [4 ] .  The  rate  of   diabetes  is  ex pandin g  at   an  al ar m ing   rate.  Re gret ta bly,  m os t  of   the  natio ns   of te n  una ble to  r ec or d DR cases  and th us nee d fun dam ental  r ecordin g  strat e gies  for regist eri ng  DR cases  [5 ].   Early   disco very   of   DR  is  cr it ic al ,  in  l igh t   of   the  fact  th at   treatm ent  st rategies  can  de rail ed  the  adv a ncem ent  of   t he  disease .  Ma jority   of   treatm ent  strat eg ie s  de pe nd  on  la se r  ba sed  m et ho ds.  Laser   photo c oa gu la ti on   cl os e s  up   visu al   bloo d  ve ssels,  wh ic h  adequate ly   stop s  their  sp il la ge.   The  ce ntra l  la ser  treatm ent strate gy  dim inishes r et inal t hic keni ng   [ 6 ] - [ 8 ] . T his m ay  co un te ra ct  d ecl inin g of  reti nal sw el li ng.  T o  be  par ti cula r,   t his  treat m ent  le ssens  t he  da nger of  visio n  m isfort une b y  ha lf.  F or  a  li tt le   nu m ber   of  cases ,  with   aggre gate v isi on m isf or tu ne, c hange is  conce ivable  [9 ].       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   11 , N o.   3 ,  Se ptem ber  2 01 8 :   1 0 8 3   –   1 0 9 3   1084       Figure  1. Illust rati on of  d iffe r ent f eat ur es  in vo l ved in  DR i nf l uen ce d reti na l   i m ages       An al ysi s  of  r et inal  pictures  is  a  gr owin g  rese arch   area  that pr ese ntly   dr a w s  in  bunch e s  of  enthu sia sm   from   bo th  rese arch e rs  an d  do ct or s.  T he  goal   of   this  fiel d  is  to  create   com pu ta ti onal   m e t hods   w hich  will   help  m easur em ent an d re pr ese ntati on of i ntri gu i ng  path ology an d  a natom ic al  st ru ct ur es . T hese  an al ysi s f ram ework  works  with  a dv a n ce d  f undus  im ages  of   the  ey e  [1 0 ] .  The  strat egy  of   ta ki ng   f un du s  im ages  beg ins  by   wide ning  th e  pupil  as   sho wn  i n  Fi gure  2  with  ph a rm aceutical   ey e  dro ps .   Af te r   that  t he  patie nt  is  requ est ed  to   aff ix   gaz e  with  a  sp eci fic  en d  go al   t o  recor d  the   reti na   in   m ot ion le ss  pos it ion .  Wh il e  ta king  the   photos,  the   patie nt  will   see  a  pr og ressio n  of  re peated  f la sh es.  T he  w hole   proce dure  ta kes  ar ound  fi ve  to  te n  m inu te s.  T o  gu a ra ntee  tha t   DR  treat m ent  is  pe rfor m ed  on  ti m e,  the  ey e  fundus   im ages  of  dia betic   patie nts  m us t  be  analy zed   in   an y  even t  once  e ver y  ye ar   [ 11 ] .   In cl ude  e xtrac ti on   te ch nique s  an d  e xam inati on   Im age  ha nd li ng   can  do  both  de crease  the  w orkloa d  of  scree ner s  a nd   ass um e  a  fo c al   p  art  in  qu al it y  aff irm ation   unde rt akin gs .   In   this  way,  t her e  has  bee n  an  expansi on  in  the  us e  of  com pu te rize d  pictu re  ha ndli ng   proce dur es  for  pro gr am m ed  identific at io n  of  DR  [ 12 ] .  F or  instance,   s had i ng  feat ur es   on   Ba ye sia n  m eas ur a ble  cl assifi e r  wer e  ut il iz ed  to  c ha racteri ze  e ver y   pix el   into   l esi on  or  non  - le si on  cl asses  [13 ] .  T he  acc om pan yi ng  areas   portray  set s  of   reti na l  scenari os   su c h  as:   hae m or rh age s,  e xudes ,  m acul op at hyan d  m i cro a ne ur ysm s.  Su c h  identific at ion  proce dures  yi e ld  the   m ajo rity   of  t he  feat ur e s  w hich   are   util iz ed  as  a   pa rt  of  com pu te rize d  DR   detect ion f ram ewor k.           Figure  2. Sam ple D R i nfl ue nc ed  im ages f or t hr ee  stages  i.e ., (a)  No rm al ,   (b )  Mo de rate, ( c )  Sev e re       Adva nced  f un du s   photogra phy  f ro m   the  hum an  ey e  giv e s  cl ear  im ages  of  the   bl oo d  vessels  i n  the   reti na.   T his  te c hn i qu e   gi ves  a   bri ll ia nt  wind ow  to  t he  record   the  tr ue  sta te   of  a  patie nt' s  reti na  i nf l uenced  by   DR  [ 14 ] .  T he  blood  ve ssel  st ru ct ur e  was   ex tract ed  by  s ubje ct ing   t he  gr ee n  par t  of  the   RGB  f undus   pic ture  t o  var i ou s   im ag e   proc essi ng  a lgorit hm s  [1 4 ] .  Bl ood  vess e ls  wer e   ide ntifie d  util iz ing   two  - dim e ns ion al   coor din at ed   c ha nn el s   [ 15 ] .  T he  Dark   le vel  prof il e  of  cr oss  area   of  bloo d  vessels  that  are  been   ap pro xim at ed  by  Ga us sia n  filt ers.   The  idea  of   c oor din at ed   channel  locat ion   of   si gn al s  was  util iz ed  to   recogn iz e  piece  wis e   strai gh t  sect io ns  of   blood   vess el s  after  the  ve ssel  cl assifi er.  Vessel  f ocuses   in  a  cro ss  se gm ent  are  found   wit h  a  fu zzy - c - m eans  cl assifi er   [ 16 ] ,  [ 17 ] .  This  t echn i qu e   f ound  a nd   s ketc hed  ou t  t he  bounda ries  of  blood   vessels   in  the  give n  i m ages  by  the   util iz at ion   of  a  novel  strat egy  to  sect ion  blood   vessel s  that  com pli m ents   neig hbour hood   vessel  pro per t ie s  with  area  ba sed  qual it ie s  of   the  r et inal  structu re.  T he  com pu te r  suppo rted   determ inati on   syst e m   been   de velo ped   t o  he lp  doct ors  in   identify in g  ir regularit ie s  co nn ect e d  with   f undus  Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752     Autom ated  det ect ion   of m ic r oane ur ys ms usi ng p r obabil ist ic  ca sc aded   ( Jeyapri ya  J )   1085   i m ages  of   the   reti na  [18 ] .  Their  pr opos e d  syst e m   can  recog  nize  bl ood  vessel  co nver ge nces  an d  it   can   disti nguish  pre ci se  widths  in  blood  ves sel s.  Ele ct ro nic  syst e m   fo r  both  e xt racti on   a nd  qua ntit at ive  de pi ct ion  of   t he  f unda m ental   vascu l ar  sym pto m at i c  sign s  from   fun du s  im ages  in  hy per te ns i ve  reti nopa thy  was   exh i bited  [ 19 ] .  The  feat ur es   they   hav e  c onside red   a re  ve ssel  tortuosit y,  su m m ed  up  and   ce ntral  vesse l   narrowin g,  nea rn ess   of  Gun n  or   Salus  si gns.   Anot her   syst e m   was  pr op ose d  f or  the  a utom at ed  extracti on   of   the  vasc ular  st ru ct ur e  in  reti nal  i m ages,  in   view  of  a  sca nty  f ollo wing  m et ho d  was  pro posed  [20 ] .  Bl ood   vessel  f ocu se s  in  a  cro ss  area   are  found  by  m et ho d  f or   a  f uzzy - c - m eans  cl assifi er.  I n   th e  wak e  of  f ollow i ng   te chn iq ue,  the  vessels  disti nguish e d  fr a gm e nts  we re  ass oc ia te d  in  util iz i ng  ava rici ous  com pu ta ti on .  A  t  la s t   bif ur cat io ns   an d  intersect io ns   wer e  disti ng uis hed   dissect ing   vessel  en d  ind i cat es  with  difference  of   the  ve ssel  structu re.  B lo od   vessel  trac ker   cal culat io n  was  create d  t o  deci de  the  r et inal  vascu la r   syst e m   is  ca pture d  util iz ing   an   ad van ce d  cam era  [21 ] .  T he  trac ker   cal c ulati on  identifie s  opti c  ci rcle,  le sio ns,  f or  exam ple,  cott on   fleece s  spots,  a nd   fine  nerve  s or es ,  f or   e xam ple,   hem or r ha ge s.  This  cal c ulati on   rec ogniz es  supp ly   r ou t es  an d  veins  w it h an  e xactness  o f 7 8.4% a nd  66.5 %   separ at el y [ 22 ].           Figure  3. Re su l ts of reti nal  blood ve ssel detec ti on       A  strat egy  is  been   ad opte d  for  aut om at ed  locat ion   a nd  arr a ng em ent  of  vasc ular   i rr e gu la ri ti es  in  diabeti c  reti nopathy  [23 ] .  Th ey   reco gniz ed  vasc ular  va riat ion s  f ro m   the  no rm   util izing   scal e  and   intr oduc  ti on   par ti cula r  Ga bor  c ha nn el   banks.   T he  pro po s ed  strat egy  ord ers  reti nal  im a ges  as  ei the r  ge ntle  or   serio us  case s   in  li gh t  of   the  Gabo r  channel   yi el ds .  The  m ic ro a neurysm s   in  reti nal  fluoresciena ng i ogr a m s  was  reco gniz ed   by  fir st  fi nd i ng  the  fovea  by  s ub - ins pecti ng  picture   by  fig ure  of   f our  e very   m easur em ent  [ 24 ] .  C onseq ue ntly ,   the  picture  wa s  su bject e d  to  m idd le   separ at ing   with  a  5  by   5  veil  to  di m inish  hi gh   - rec urren ce  se gm e nts.  A t   that  po int  the   picture  was  r el at ed  with  a  two - dim ensional   ci rcu la rly   s ymm et ric  tria n gu la r  capaci ty   with   disp la ye d  n et   sh adi ng   of   the  m acula.  Bl oo d - vess el   locat ion   as  show n  in  Figure  3  cal cu la ti on   in  view  of   th e   te rr it or ia l  rec ur si ve  var i ou s   le veled  disin te gr at i on  util i zi ng   quadt ree s  an d  post - fil trat ion   of  ed ges  t o  con ce ntrate  blo od  vessels  was  co ns i der e d  [ 25 ] .  T his   strat egy  co ul d  dim inish  bogus  re j ect io ns   of   pr e dom inate l y  huge   ed ges  and  quic ke r  i n  c on t rast  w it h  the   cu rr e nt  appr oach  with   le ssene d  sto c kp il in g  pr e requisi te s  f or   the  e dg e  delineat e.  The  w ork  util iz ed  the  arteriolar - to - ve nu la r  distance  acro s s  pro portion   of  reti nal  bloo d  ve ssels  as  a  poi nter  of   disease   relat ed  c hang es  in  t he  reti na l  blo od  vessel  tre e  [ 26 ] .  T hei r  tria l   resu lt s  sho w  a  97.1%  achieve m ent  rate  in  th e  reco gniz a ble  pro of   of  DR  ve ssel  beg in ning  sta ges,   an d  a  99. 2%  achievem ent  r at e  in  the   f ollo wing  of  reti nal   vessels .  Anot her  te ch nique  for  s urface  bas ed  vessel  div is ion   t o  beat  this  issue  was  pr opos e d  [27 ] .  The  Fu zz y  CM eans  (F C M)  bunc hing  c al culat ion   wa s  util iz ed  to  ord er  the   com po ne nt  ve ct or s  into  ves sel   or   non  - ve ssel  in  view   of   the  surfac e  prop e rtie s.  They  co ntrast ed  their   te chn iq ue  a nd   handlabele d  gr ound  tr uth   div i sion   for  fi ve  im ages  an d  a cc om plished   83. 27%  af fectabil it y  and  99.62%  s pecifi ci ty .  The  m e tho d  div i des  the  data  into  tw o  pa rts,  one  is  f or   le arn in g,   a nd  a no t her   is  f or  te sti ng .   Fo r  t he  purpo se  of   i den ti fyi ng   f undus  im ages  incl ud i ng  the  norm al   c la ss  or   glauc om a  set   of   cl asses.   Applic at ion   of  su pp or t  vecto r  m achines  (SVM)  was  hi ghly   us e d  is  show n  in  Fig ur e   6   [ 28 ] ,  [29 ] .   The   determ inati on   of   sig n  was  m ade  from   the  ver te x  co ordinat es  based   on  th e  deg ree s  of   th e  diff ere nt  dire ct ion.   The  syst em   was   te ste d  ba sed  on   t he  pe rcen ta ge  of  s uccess   rate  from   the  Har ris   po i nt  detect ion   a nd   avail abili ty   fo r   detect ing  sig n  on  diff e re nt  ra ng e .  T he  res ulted  on e   sho wn  that   not  al l  Ha rr is  po i nt  in  t he   was   i m age  detect ed  al thou gh   m os t  of   the  im ages  wer e  possib le   in  recogn iz i ng   t he  sig n  di recti on   of   it   [ 30 ].   A  su bpi xel - accu r acy  ed ge dete c ti on  alg or it hm   was  e xp l or e d,   base d  on t he  w avelet  tran s f orm at ion  w it h  t he  cubic   sp li ne  inter po l at ion   of   the  le n' s  m od ule  app e aran ce qu al it y  insp ect io n  syst e m .  It  do es  firs tl y  ca lc ulati on   of   the   m axi m u m   wavel et   m od ul us ,  and   de te ct ion   of   a  pix el - a ccu rate  edg e.  Fi na ll y  ind us t rial   m easur em ent  m et ho ds   us in g  t his s ubpi xel - accu rate e dg e  d et ect io n   ba sed  al gorithm  w as  stu died [ 31 ].     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   11 , N o.   3 ,  Se ptem ber  2 01 8 :   1 0 8 3   –   1 0 9 3   1086   2.   PROBLE M   I DENTIFI C A TION   Mi cro ane ury sm s   reco gnit ion  is  i m per at ive,  on   the  gr ounds   that  these  structur e s  co ns ti tu te   the  early  conspic uous   el e m ent  of  DR.   The  m ai n  repo rts  w hich   co nn ect   these  str u ct ur es   to  DR  go  bac k  to   18 79  [32],   [33 ] .  All  the   m or e  as  of   la t e,  it   hav e   anal yz ed  the  a pp e a ran ce  a nd  van i sh in g  of   m ic roaneury sm s  in  var i ou s  per i od s  of  flu or escei n  a ngio gr a phy  [34 ] .  I n  a  com par at ive  stu dy  both   arr a ng em ent  rate  an d  va nis hing  of   m ic ro ane ur ys m s   in  early   D R  wer e  analy zed  [35].  The  m ic ro ane ur ys m s turnov e r  we re  reg ist ere d  r el ia bib ly   from  sh adin g f undus im ages [36 ] .   They  util iz ed  ano t her   strat e gy   cal le d  MA - tr a cker   to  num ber   m ic ro ane ury sm s   as  sh own  i n  Fig ur e  4.  They  dem on str at ed  that  the  m ic ro a neurysm s   sta y  sta ble  after  so m e  tim e,  howe ver   just  29%  sta y  at   a  sim il ar   place.  I n  il lustr at ion   the  gree n  segm ent,  of   th e  RGB  fundus  picture ,  was  gott en  the  m ic ro aneurysm s.  Like  the  exudates  rec og niti on   cal culat i on,  first  the  c on s pic uous   str uctu res  insi de  reti na  im ages,  for  exam ple,  bloo d  vessel  tree  an d  opti c  plate   are  to  be  e xpel le d.   Af te r  th at   an  adv a nce d  su cce ssio n  of   picture  pr e par i ng   al gorithm s  was  util iz ed  to  de c ide   the  z on es   inside  t he  f undus  im ages  to  ge t  m ic ro ane  ury s m s  see  in  Figure  4  [37] ,  [38].  T he   autom at ed  disti nguish i ng  featu res  of  diabeti c  reti no pathy  in   vie w   of  the   nea rness  of   m ic ro ane ur ys m s   wer e  co ns i der e d  [ 29] .  Th e  op t om et rists   accom plished  97 %  a ffec ta bi li ty   a t  88 %  f or  eve ry  penny  sp e ci fici ty   and   the  m echan iz ed  r et ino pat hy  in dicat or   acc ompli sh e d  85%  aff ect abili ty   at   90 %   sp eci fici ty .           Figure  4. R esu l ts of m ic ro ane ur ysm s d et ect ion       3.   PROB ABILI STIC   C ASCA DED   NE URA L NETWO R K   Color  feat ur es   wer e   util iz ed  on  Ba ye sia n  m e asur a ble  cl assi fier  orde r  e very   pix el   i n to   in jury  or  non  -   so re  cl asses .  They  hav e  acc om pl ished  10 0%   exactness  in   disti nguish in g  al l  the  reti nal  i m ages  with  ex ud at es ,  and  70%   prec isi on   i n  order i ng  ty pical   reti nal  im ages  as  ordi nar y.  DR   an d  ordin a ry  reti na  wer e   gr oupe d  conseq ue ntly   ut il iz ing   pictur e   prepa rin g  a nd  m ul ti la ye r  per c eptr on  ne ural   s yst e m   [3 9 ] .  Th e  syst e m   yi el ded   a n   aff ect abili ty   of   80. 21%  a nd  a   sp eci fici ty   of  70. 66%.  C om pute rized  a naly sis  of  NPDR,   in  li gh t  of  three   s or es:   hem or rh a ges  a n d  m ic ro ane ury s m sh ard   e xudates,  an d  cot ton   fleec e  spo ts,  was  co nce ntrated  on   [ 40 ] .  The  te chn iq ue  c ould  disti ng uish   t he  N PD R  a rr a ng e  e ff ect i vely   with  an   exact ness  of   81. 7%.  The  f ollo wing   ste ps  represe nt the a dopted  m et ho dl og y.       St ep  1. N orm al i z at ion   Norm al i za ti on   is  e m plo ye d  to  sta nd ar dize  th e  intensit y  values  of  an  pictu re  by  ad j us ti ng   the  var y  of   it s  gr ey - le vel  va lues  in  order   that  they   li e   a m on g  a  desire d  var y  of  valu es  e.g .  zer o  m ean  an d  unit   var ia nce.   Let   I( i,j )  de no te s  the  gr ay - le vel  value  at   pi ct ur e  e le m ent   (i,j),  M  &  V AR  de no te   the   cal culable  m e an  &   var ia nce  of   I( i , j )  sev e rall y &  N( i, j )  d e -   note s the  norm al iz e d gr ay - le vel va lue at pict ur e e lem ent ( i,j ).       Algori th m : A n a l go ri th m  f or  Norm aliz at ion   Inp ut :  I nput  m ic ro  a ne ur ysm s  i m age I ( x,   y),   wh e re  x &   y re pr ese nts t he pixel p os it io n.   Ou tp ut:   S egm ented ri dge  re gi on ,  I ' (x,   y).   St ep 1.1:  Re ad   Im age I ( x,   y).   St ep  1.2 :   Ma s k  the  Ide ntifyi ng Regi on M( x,   y)  from  I (x,   y ).   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752     Autom ated  det ect ion   of m ic r oane ur ys ms usi ng p r obabil ist ic  ca sc aded   ( Jeyapri ya  J )   1087   St ep  1.3 :   Brea k  m asked  i den t ifie d  re gion i nt o bloc ks   b( m ,   n)   ×   b(m ,n ).   St ep  1.4 :   Fi nd  In te n sit y value s ( ( , ) , ( , ) )      of the  ide ntifie d  m asked   reg i on al   blo c ks.    St ep  1.5 :   E val uate Stan da rd  Dev ia ti on    of i ntensity  for ea ch bloc ks   ( ( , ) , ( , ) )   .    St ep  1.6 :   Re pe at  steps 1. 5 - 1.6  &ch ec k:   if ( < )   {   I’(x,y )   →   V(x, y)   el se   exit(0 )   }   wh e re,t is t he  t hr es hold li m it    & V( x,y)   is t he  vecto r  in dices l ocati on w it hin   the ide ntifie d m asked   reg i on.     St ep  1.7 :  E nd  Pr oc ess.      St ep  2. Im age  Orie ntation      Or ie ntati on   of   a  m ic ro - ane ury sm s  is  cal c ulable  by  the   s m al le st   a m o un t  m ean  sq .   or ie ntati on   est i m ation   al gorit hm ic   ru le   gi ven   by  H ong  durin g  is  s how n  in  Fig ur e  5   wh ic h  f orem os t  a  blo c k  of   siz e  w X w   (25X2 5)   is  cen tred  at   picture  el e m ent  (i,  j )  within  the  no r m al iz ed  m ic ro - ane ur ysm s  i mage  f or   eve r y  pictur e   el e m ent  du ri ng  t his  blo c k  rec kon,   t he  Ga us s ia n  gr a die nts  x(i ,  j)  an d  y(i ,  j)  f or   eac h  pi xe l  po sit ion,  that   area  un it  the  gra dient m agn it ud es   within t he x  &  y direct io ns  se ver al ly .           Figure  5.  O rien ta ti on       Algori th m : A n a l go ri th m  f or  Orient at i on   Inp ut :   I nput  norm al iz ed   im age  I ’(x,   y) ,  wh e re   x  &   y  represe nts   the   pix el   po sit ion ,   ri dg e   l ocati on  ( ( , )  ),  gra dient  devi at ion   ,   ′   blo c k gr a dient  &   or ie ntati on   gradie nt   Ou tp ut:   Direct ion   of  the  rid ge s,    ang le ,   +   (i .e.,   1)  an d  – ve   (i.e.,  0)  re pres ents  the  cl ockwise  or  cl oc kwise   directi on  of  t he  r id ges.    St ep  2.1 :  Re a d Im age I ’ (x,   y).   St ep   2.2 :   Dete rm ine  Im age  gr adie nt  ′   blo c k  gr a dient  &   or i entat ion  gradie nt  re sp ect ively   from   the  giv e n  gr a dient  de viati on :   ′ → Der i vative  of   Gau s sia nuse d  t o  c om pu te  im a ge gra dients.   → Der i vative  of   Gau s sia nS i gma  to  sm oo tht he final   or ie ntati on  vecto r  fiel d  ( v’)   St ep  2.3 :   C hec k for  l   = no. of . ri dge locat io n  ( , )  :   for   i:l                                               {   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   11 , N o.   3 ,  Se ptem ber  2 01 8 :   1 0 8 3   –   1 0 9 3   1088   I f   ( ′ < )  {   return   →   +   el se   return   →   −                                                 }   E nd   for  lo op   St ep  2.4 :   E nd  Process .   St ep - 3  Fe at ur e Ext r ac tion   Af te r  or ie ntati on   im age  m ic ro ane ury sm s  op ti on s  (Ri dg e  D ensity ,  Ri dg e  breat h,   a nd  nat ural   de pr essi on   width)  cal culable.     Ridg e  brea th:   Ri dg e  breat h   ( W i dth)  R  is  ou tl ined  as  thick ness  of   a  ri dg e   it ’s  com pu te d  by  inv est igati ng  the  qu a ntit y  of   pixe ls  betwee n  c onsec utive  m axim a  po ints  of   pro j ect ed  im age,  va riet y  of   0’ s   betwee n  2  cl ust ers   of 1’s ca n offer  r id ge breat h     e.g .  11 110 000001 111   In on t op of e xam ple, r id ge b r eat h  ( widt h)  is   6 pixels.     Va ll ey   bre at h :  - Vall ey   br eat h  ( Widt h)   V  is   ou tl ine d  as  t hi ckn ess   of  valle ys  it ’s  com pute d  by  in vestig at ing  the  quantit y  of  pix el s  betwe en  co ns ec utive   m ini m a  po ints  of   pro j ect ed   i m age,  var ie t y  of   1’s  betw een  2  cl us te rs of 0 ’s ca n offer  n at ural  d ep ressi on breat h.     e.g . 0000 11111110 00   In on t op of e xam ple, n at ur al   depressi on bre at h  is  7 pixels.     Ridg e  D e nsit y:  Ri dge  Densi ty  is outl ined  as  v a riet y of   rid ge s in  a   ve ry g i ve n bloc k.       e.g .   00 111110 001111 1011   Abo ve  stri ng c on ta in s  3  ri dg e s in  a  v e ry b l oc k. T hus  rid ge d ensity  is 3 .       In   t he  pr ocess  involvin g  cl ass ific at ion   of  m i cro a ne ur ysm ss  rid ge  brea dth   and   w hite  li nes  area  un it   cal culat ed.   Usin g  t he  pr ob a bl ist ic   m od el ,  fir st  we  create   a  gr a ph  m od el   fo r  t he  featu re  set s.  Let   us   s uppose   that  a  giv en  graph   netw ork  da ta   com pr ise s  of   b+1   nu m ber  of   ve rtic es.  Th us ,  it   can  be  m od el le d  with  th e  hel p  of   a  gr a ph   tre e ,  wh ic h  is  giv e n  as:   G:   =( N, E );  wh e re  N  represents  the  set s   of   ver ti ces  i.e,   N=1,.. .,N n   a nd   E  is  the edge  set  w i th the ca r din al it y i s g ive n  as  | | = .           Figure  6. Mult i c la ss S VM   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752     Autom ated  det ect ion   of m ic r oane ur ys ms usi ng p r obabil ist ic  ca sc aded   ( Jeyapri ya  J )   1089     Her e ,  each  of  the  ed ges  in  for m   of   the  tree  i s  rooted  f or   in dex   value  n  r ul ed  by  the  pro ba bili ty   flow   from   on e  e dg e   to  a no t her   a nd  i s  der i vab le   from   so ur ce   S  to  desti nation  D  with  j   am ount  of  dev ia ti on   in  the   form   S n +jD n .   The n  the   w hole   branc h  pro ba bili ty   based  gr aph  fl ow  m od el   can  be  de riv ed  by  init ia li sing  the   conditi on al   pr obabili ty   in  fo r m   of   a  sequ e nc e  traver se d  f rom   par ent  to  chi ld  nodes  of  tw o  local   poste rior s  i.e,   pro bab il it y  of  app ea ra nce  of  ver ti ces  (P 1 )   a nd  that  of  e dges  (P 2 )  w hich  i s  gi ven  by:  1 = ( | 1 1 : )   &   2 = ( | 2 1 : ) .  This  is  repre sented  i n  the  form   of   seq ue ncized  finite   s et s  with  m ulti  obj ect   den sit i es  of   1 :   ob s er ved ed ge si te s.  He re,  t he  sync hron iz at io n betwee n  s uc h po ste rio r  is  m ai ntained  as:         ( | 1 : , 2 : ) = ( | 1 : ∪ 2 : )     Now,   to  over com e  the  pr oble m   of   unknown  c orrelat ion   bet ween   no  two  distri bu t ion s  of   in de pe nd e nt   var ia bles the  s olu ti on is:     ( | 1 : , 2 : ) ∝ ( | 1 : ) ( | 2 : ) ( | 1 : ∪ 2 : )     Hen ce , th e  g e ne rali zed  po ste rior relat ionshi p ca n be  represe nted  i n  the  fo r m  o f  ge om et ric  m ean:      ( | 1 : , 2 : ) = ( | 1 : ) 1 ( | 2 : ) 2 ∫ ( | 1 : ) 1 ( | 2 : ) 2      Wh e re,  1 , 2   ( 1 + 2 = 1 )   the  par am et ers  det erm ining   the  relat ive  pro ba bili ty   of   wei ghte d  distrib ution  ( w )  be twee n  a  s pe ci fic  hiera rch i cal   le vel  of  c hild  an d  pa ren t  node s.  Now,  in  order  to  a nnon ym iz e  the  pe rco la te d  m od el   of   gr a ph  da ta ,  we   nee d  a  ru le   set   to   al gorithm ic a ll y  el i m inate   the  sensiti ve  ver ti c es  or   add   e xtra  ed ge s  betwee n  la be ll ed  ver ti ces  to   disrupt  the  pr ob a bili ty   of   find i ng   se ns it ive   inform at ion .  In   this  way we  can  i nduce  ano nym i t y i n  a  qu a ntit at ive w ay   over  the  gr a ph  datab ase.      Algori th m :  Pr obabil istic  CN N   Inpu t:   ×   RGB st and a r d  Im age   Wh e re,  m  &  n are the  row &  colum n  of the   giv e n  im age.    Out p ut:  CC , c lustere d  fe atu r es an d  Pix el  lo cation of  micr oane ur ys m  i mag es     //  f or brea king  dow n pixels i nt o  no rm alized ill u m inati on  r e f le ct ance f ie ld      if ( ≤ ( | 1 : , 2 : ) ))                                                      {     = (  |  , )     E lse       = (   |  , )                                                      }     */  Wh ere ,  M  is  the  m od el   of  ne rv e  c olor  al so   em bar ked  as  low  inte nsi ty   pix el s.  & ∑   are  m ean  &   cov a riance  of t he pixel  distrib ution ba sed  on i ntensiti es in  rg col or sch em e after  pr e - pr oce ssing.  */     //  Now,   ( 1 , 1 ),   ( 2 , 2 ),   …,( , ) ∈      wh il e   l ≤ m in  ( ∑ ( , ) = 1 )   // D  is t he displa ce m ent v ect or      // Evaluate t he f easi ble v al ue o f  ta r get no des ( pix el s)  :      = ∑ ( , ) = 1     Creat e target  ve ct or s  f or   feasi ble n ei ghbouri ng no des:          Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   11 , N o.   3 ,  Se ptem ber  2 01 8 :   1 0 8 3   –   1 0 9 3   1090   Lo op :      f or   1  t o      ∑ ( , ) = 1 ≤      // To  create  a n associa ti ve  C N N netw ork of        ( , ) = ∑ ∑  ( ( , ) +  ( , ) ) = 1 = 1     //    is t he  la gra nge   m ulti plier.    end for  lo op   end whil e lo op   END PR OCES S       4.     DISC US SI O N   Ex ud at es,  he m or rh age s,  an d  m ic ro ane ur y sm s   wer e  util iz ed  for  scree ning  of   DR  su bject s.  T he   aff ect abili ty   an d  sp eci fici ty   of   their  product   was  74. 8%  a nd  82. 7%,   se pa r at el y  in  separ a ti ng   DR  a nd   ty pica l   su bject s effect ively . Ear ly  ide ntific at ion   of   DR (near ness of  m ic ro ane ur y sm s)  was  propose d  in v ie w  of ch oice   e m otion al ly  su pport ive n et w ork  in m any exi sti ng  works.  B ay es o ptim a li t y crit eria wer e u ti li zed to  d ist inguis h  m ic ro ane ur ys m s.   Their  te ch nique  co uld   di sti nguish   the  e arly   ph ase  of  DR  with  an  af f ect abili ty   of   10 0%   and  sp eci fici ty   of   67%.  O rd i nar y ,  gen tl e,  dir ect ,  extrem e  and   pro du ct ive  DR  sta ges  is  sh own  in  Fi gure  2  were   conseq ue ntly  ch aracte rize d ut il iz ing  both  z one a nd borde r of  t he  R GB p a r ts of the  bloo d vessels t oget he r  with  a  fee dforwar d  neural  syst em .   I n  the   prese nted  syst em   with  noisy   im ages  we  ac hieve d  a   norm al   arr an ge m ent  prof ic ie ncy  ov er  84%  an d  af fectabil it y,  sp eci fici ty   wer e  90 %  an d  100%   ind ivi du al ly .  We  ha ve  al so   util iz ed  exudates  a nd  bl ood  vessel  range  al on gs ide   s urface  par am eter s  c om bin ed  with  neural  sy stem   to  orde r  f undus   i m ages.  W e  a c qu i red   a  disco ver y  preci sio n  of   93%,  f or   no n - noisy   i m ages  with  aff ect a bili ty   and   sp eci fi ci ty   of   90%  an d  100%   ind i viduall y.  Fig ur e  7  a nd  8  s how s  the  a ver a ge  M SE  an d  t he  fa ct or s  i nf lue nci ng  th e   recog niti on   pe r form ances.        The  sp eci fici ty  cou ld  be  ex pa nd e d  sim i la rly   as  98 . 9% ,  how ever   this  ex pa ns io n  was  j oi ne d  by  a  fall  in  af fectabil it y  to  90.8%.  At  a  set ti ng   with  94.8%  af fecta bili ty   and   52. 8%   sp eci fici ty ,  no  insta nces  of  sig ht  unde rm ining   r et ino pat hy  we r e  m issed.  It  ha s  resea rch e d  both  phot ogra phy  and  opti c  pla te   geog raphy  m et ho d  of   t he  reti nal  thick ness  a na ly zer.  Re co gnit ion   of  reti nopathy  was  accom plished   via  aut om at ed   ste ps  evaluati ng  wit h  90. 5%  a ff ect abili ty   and   67. 4%  s pecifici ty   wh e n  the  pro ba bili sti c  CNN  us e d  to  est im a t e  no isy   coeffic ie nts  as  sh ow n  in  F ig ure  9.   Our  w ork  is  based   on  the  idea  of   the  fin di ng   the  to po l ogy  of   the  featur e s  of   a  m ic ro - a neur is m   in  the  gi ven   f unds   im age  &  t hen   c od i ng   it   in  l ogic al   seq uen c e  with  the  ca scade d    neural  netw ork .              Figure  7. A verage MSE  acr oss va rio us   Gr i d si z es for  R GB  & con ver te d gre y sca le  co lo r  s pace     Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752     Autom ated  det ect ion   of m ic r oane ur ys ms usi ng p r obabil ist ic  ca sc aded   ( Jeyapri ya  J )   1091         Figure  8. A ggr egate Pe rfor m ance  of m et ho d for  pr e - pr ocess ing   on the  b a sis o f perse ve rance  of se ver al   qu al it ie s of t he  i m ages in   for m  o f  m ean r an k  ac ro s s  dataset s                 (a)   (b)       Figure  9. Per f orm ance an al ysi s of the  CPRA   MLPs (a )  Pl ot  Fo r  the  ev al uation o f  the  esti m at ed  no isy   coeffic ie nts  (b)  Estim at edco ef fici ents from  proba bili sti c CNN  a nd th os e  of  act ual    no isy  c oeffici ents in  th os e  Im ages       5.   CONCL US I O N     Exten de d  per i od   of   dia betes   pr om pts  to  DR,  wh e re  the  r et ina  is  har m e d  beca us e  of  f luid  sp il li ng   from   the  blo od  vessels.  Mo r e  of te n  tha n  th at ,  the  ph ase  of  DR  is  j udge d  in  li gh t  of   bl ood  vessels,  e xudes ,   hem or rh a ges ,  m ic ro ane ur ys m s  and   su r fac e.  I n  this  pa pe r,   we  hav e  e xam ined  disti nctive  te ch niques  f or   featur e s  extrac ti on   an d  a utom at ic   te chn iq ue s  for  ic r oan e ur ysm s  based   on   pro bab il ist ic   CNN.   As  of  la te   adv a nces  i n  i m agin g  f or   DR  s creeni ng   al lo w s  top   no tc h  la sti ng   rec ords  of  the  reti nal  fea tures,   w hich  c an  be   util iz ed  for  observ i ng  of  dia gnos is  a nd  progno sis  f or   deter m ining   the  c ou rse  of  treat m ent,  an d  w hich   c an  be   check e d  on   by  an  opht halm o log ist ,  ad va nce d  i m ages  can  po s sibly   be  ha nd le d  via  im a ge  proces sin g  base d  autom at ed  exa m inati on   syst e m s.  A  portio n  of  th e  al gorith m s  and   syst em s  in vestigat ed   in  this   pa pe r  ar e  nea r   app li cable  for  DR scre eni ng in  cl inica l  pr act ic e.         REFERE NCE S   [1]   W orld  Diabe t es,   A ne ws le tter  fro m   the   W orld  H e al th   Organi z atio n,   4 ,   1998 .   [2]   Cigna   h ea l thcare   cove r age posit i on -   A Re por t, 20 07.   L ast  acce ss e d  on  5th   Dec ember  2007.   [3]   Ong,  G.  L. ,   Rip ley ,   L .   G.,   News om ,   R.   S.,   Co oper ,   M . ,   and  C assw el l,   A.  G.,   "S cre eni ng  for  sight - thr ea t eni ng   dia be ti c   re ti nop at h y :   compari s on  of  fundus  photogra ph y   wi th  au tomate d   col or  cont r ast  thre shold  te st",     Am.   J .   Opht hal m ol.   vo l. 137, no.  3,   pp .   445 – 452 ,   2004.   [4]   Hunter ,   A . ,   Lowe ll,  J. ,   Ow ens,   J. ,   and   Kenne d y ,   L,   "Q uantifi ca t i on  of  di abe t ic   r e ti nopat h y   using  neur al  net works   and  sensit ivi t y   a naly s is",  In   Proc ee dings o f Artif i ci al   Neural  N etwor ks  in  Me d ici ne  and  Bi olog y,   pp  .   81 - 86,   2000 .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   11 , N o.   3 ,  Se ptem ber  2 01 8 :   1 0 8 3   –   1 0 9 3   1092   [5]   Kum ar,   A.,   "D iabetic  bli ndn ess  in  India :  the   emergi ng  sce nar io" ,   Indian  J.  Ophth almol ,   vol .   46,   n o.   2,   pp .   65 – 66,   1998.   [6]   Orbis.  La st   a cce ss ed  Dec ember 2009.   [7]   W at kins,  J.   P.,  " ABC of  dia b etes re t inopa th y   ",   B riti sh Me d ic al   J ournal   326,   pp .  924 – 926,   2003 .   [8]   Acha r y a ,   U.  R . ,   Li m ,   C .   M . ,   Ng,  E .   Y.  K . ,   Ch ee ,   C. ,   and   Tam ura ,   T.,  "Com pute r - base d   dete ct ion  of   dia b ete s  ret inop at h y   st ag es  using di g it a l  f undus i m age s ",   ProcI nstMec h En g   H.  vo l. 223, no .   5 ,   pp   .   545 – 553 ,   2009 .   [9]   Shahidi ,   M . ,   Og ura ,   Y. ,   Blair,   N.  P.,   and  Ze i m er,   R. ,   "Re ti n al   thickness  change  after  foc al   la ser  tr ea tmen t  of  dia be ti c   m ac ul ar   oede m a",  Br  J Ophthalmol ,   vo l. 78, no. 11 ,   pp .   8 27 – 830,   1994 .   [10]   Li ,   H . ,   and  Ch uta t ape ,   O.,   "F u ndus  image  feat ure   ext r action " ,   Proce ed ings  2 2nd  Annual   EM BS  Inte rn at iona l   Confe renc e, Chicago ,   pp .   3071 - 3 073,   2000 .   [11]   Fong,  D.  S.,   Aiel lo,   L . ,   Gardne r ,   T.   W . ,   King,   G.   L. ,   Bla nk enship ,   G.,   Cavalle r an o,   J.  D.,   Ferris,   F.  L. ,   and  Kle in,   R. ,   "D i abe t ic re t i nopat h y   " ,   Diab et es  Care   v o l. 26 ,   no . 1,   pp  .   226 – 229,   2003 .   [12]   Scre eni ng  for  Diabe t ic   Retino pat h y   in  Europ e  15  y e ars  after  the   St.  Vin ce nt  Dec la r at io n.   The  Live rpool   Dec larati on   200 5 .   L ast acce ss ed on 20t h  De ce m b er  2007.     [13]   W ang,   H.,   Hs u,   W . ,   Goh,  K.  G.,   and  Lee,   M . ,   "A n  eff ective   appr o ac h  to  de tect  le si ons  in  col our  re t ina l  images",  In   Proce ed ings o f   t he  IE EE Conf er enc e   on  Comput er  Vi sion   and  Pa tt ern  Re cogn it io n ,   pp .   181 - 187 ,   2000.   [14]   Acha r y a ,   U.  R. ,   Li m ,   C.   M . ,   N g,   E.   Y.  K . ,   Ch ee ,   C . ,   and  Ta m ura ,   T . ,   "Com pute r  base d  d et e ction  of  dia be te s  ret inop at h y   st ag es  using di g it a l  f undus i m age " ,   J. E ng.   Me d .   vo l.  223,   no .   H5,   pp .   545 – 553,   2009 .     [15]   Chaudhuri ,   S.,   Chat terje e,   S . ,   Katz ,   N.,  Nelso n,   M.,  and  Gold baum,  M . ,   "D e t ec t ion  of  blood   vessels  in  re ti n a l  images  using t w o - dimensional   m at ch ed  fi lters" ,   I EE E   Tr ans.  Me d .   Imag.   vol . 8,   no . 3 ,   pp .   263 – 269,   1989.     [16]   Hoover,   A.  D. ,   Ko uza net sova ,   V.,   and   Goldba um ,   M . ,   "Loc ati ng  blood  vessel s  in  retina l  ima ges  b y   p iece wis e   thre shold  prob in g  of  a   m at ch ed  f i lt er   response",   I EE E   Tr ans.  Me d .   Imag.   vol .   19 ,   no.   3 ,   pp .   203 –   2 10,   2000 .   [17]   Sophara k,   A. ,   a nd  U y y anonvara ,   B. ,   "A utomat ic  exuda t es  det e ction  from   dia bet i c  retinopat h y   r etinal   imag e  using   fuz z y   C - m e ans  and  m orphological  m et hods" ,   Proce ed ings  of   the  thi rd  I ASTED  i nte rnational   con fe renc e  Adv anc e s   in  Computer  S cienc e   and  Te chno logy ,   Th ai l and, p p .   359 - 3 64 ,   200 7.     [18]   Fleming,  D.  A.,   Phili p,   S.,   Goa t m an,   A.  K.,   W il l ia m s,  J.  G.,   Olson,  A.  J.,   and  Sha rp,   F.  P.,   "A uto m at ed  detec t ion  of  exuda t es  for  d iabetic  re ti nop at h y  scre en ing",  Phys .   Me d .   B iol.   vol . 52,   no. 24 ,   pp   .   7 385 –   7396,   2007 .   [19]   Ha y ashi,   J. ,   Ku nie da ,   T . ,   C ole,  J. ,   Soga,   R. ,   Ha ta nak a,   Y . ,   Lu,   M.,   Hara ,   T.,  an d  Fujit a ,   F. ,   “ A  deve lopment   of   computer - ai d ed  dia gno sis  s y ste m   using  fundu s  i m age s,”   Procee ding  of  the   7th  I nte rnational   Co nfe renc e  on  Vi rt ual   Syste ms   and  Mu l ti Me dia   ( VSMM   2001) ,   pp .   429 - 4 38,   2001 .     [20]   For rac chia,   M . ,   Grisan,   M.  E.,  and  Ruggeri ,   A. ,   "Extr a ct ion  an d  quant itati v e  desc ription  of  vessel  fea ture s  i n   h y per te nsiv e  r et i nopat h y   fundus  i m age s" ,   Prese nt ed  at   CAFIA200 1 ,   2001 .     [21]   Grisan,   I.   E . ,   Pes ce ,   A. ,   Giani,  A., Forac chi a ,   M.,   a nd  Ruggeri ,   A. ,   "A   new  tra cki ng   sy st em for  the   r obust  ext racti on  of  ret ina l  vessel   struct ure ",  26th   Annual   Inte rnational   Confe ren ce   of  the   IEEE  EMB S  San  Franci sco,   USA,   pp .  1620 - 1623,   200 4.   [22]   Zha ng,   X. ,   and  Chuta ta p e,   O . ,   " Dete c ti on  and  class ifi cation   of  b right   le sions  in  col our  fundus  i m age s" ,   Int.   Co nf.   on   Image Proce s sing  vol. 1, pp .   1 39 – 142,   2004 .   [23]   Vall abh a,   D. ,   Dorai ra j,   R . ,   Nam uduri,   K. ,   and  T hom pson,  H.,   "A utomate d  dete ct ion  and  class ifi cation  of  vasc u l ar  abnor m al ities  in   dia betic  re ti no pat h y ",  P roc ee d ings  of  13th  IEE E  Signal s,  Sys te ms   and  Comp ute rs ,   vol.   2,   pp .  1625 - 1629,   200 4.     [24]   Cree ,   J.  M . ,   L eandro,  J.  J.  G.,   Soare s,  J.  V.  B. ,   C esa r,   R.   M  .   Jr.,   Jeli nek ,   H.  F.,   a nd  Cornforth,   D.,   "Com par ison  o f  var ious  m et hods  to  del ineate   bl ood  vessels  in  r et in al   images",  Proce ed ings  of  the   16th  Australi an  Instit ut e  of   Phy sics   Congres s,  Canberra ,   200 5.     [25]   Kandir aj u ,   N. ,   Dua,   S.,  and  Th om pson,  H.  W . ,   "D esign  and  i m ple m ent at ion  of  a  uniqu e  blo od  vessel  de te c t ion  al gorit hm   towar ds  ea rl y   d ia gno sis  of  dia bet ic   ret inop a th y ",  Pr oce ed ings  of  the   Inte rnationa l  Confe renc e  on   Information  Tec hnology :  Cod ing   and  Computing   ( ITCC ’05 )   IEE E  Computer  Soc iety ,   pp .   26 -   31 ,   20 05.     [26]   Li ,   H . ,   Hs u,   W . ,   Le e ,   M .   L.,  and   W ong,   T.   Y. ,   "A utomate d  gr adi n g  of  retina l   vessel  c aliber ",   IEEE   Tr ans.  B iomed.   Eng.   52 ,   pp .   135 2 – 1355,   2005 .     [27]   Bhui y an,   A. ,   N at h,   B . ,   Chu a,   J . ,   and  Kotagi r i,   R. ,   "Blood  v essel  segm ent a ti on   from   col or  reti nal   images  usin g   unsupervise d  t ex ture   cl assifi catio n",  IE EE   Int. Co nf.   Image   Proc essing,   ICIP   5 ,   pp .   521 – 524,   2007.   [28]   Os are h ,   A.,   M  i rm ehdi ,   M  . ,   Th om as,   B. ,   and  M  ark ham,  R. ,   "Com par at ive   ex udat e  c la ss ifica t i on  using  suppor t  vec tor  m ac h ine s   and  neur al   ne t works ",  The  5th  Inte rnational   C onf.   on  Me di cal   Image  Computing  and  Computer - Assisted   Int erv e nti on,   pp  .   413 - 4 20,   2002 .   [29]   Anind it a ,   S.,   Ha m dani ,   D y na ,   M .   K.,   "The   Conto ur  Ext racti on  of  Cup  in  Fundus   I m age s  for  Glauc om a  Dete ct ion" ,   Inte rnational   Jo urnal  of El e ct ri c al  and  Comput er  Engi n ee ring   ( IJE CE) ,   vol . 6,   no. 6,   pp   . 2797 - 280 4,   2016 .   [30]   Hair ol,   N.  M .   S.,  M  ohd,   Z.   A.  R. ,   Za l ina,  K.,   M   o hd,   S.  M.  A.,   Nurs abi ll i la h ,   M.  A.,   Faizil ,   W . ,   Tengku,  M.  M .   T .   A.,   "S ign  Det ection  Vision  Bas ed  M  obil e   Rob ot  Plat form   ",  I ndonesian  Jour nal  of  E lectric a l   Engi ne ering  an d   Computer  Scien ce   ( IJEECS) ,   vol .   7 ,   no .   2 ,   pp   .   52 4  -   532 ,   2017 .     [31]   Zha ng,   J.  Z.,  He ,   Y. ,   "A   New  M  et hod  for  Appea ran ce   Qua li t y   Det ection  of  Le ns  M  odule   Based  on  M  achine   Vision",   TEL KOMNIKA  ( Tele c omm unic ati on  C omputing  Elec tronic s  and  Contr ol)   Vol . 14,   No. 2 A,   pp .   343 - 350 ,   June   2016 .   [32]   W al te r,   T . ,   M  assin,   P.,   Ergi n a y ,   A.,   Ordone z,   R. ,   Jeul in,   C. ,   and  Klei n ,   J.  C. ,   "A utom at i c  det e ct ion  of   m ic roa neur y sm s in col or   fundus  images",  Me d .   I mage  Anal.   vo l.  11,   no .   6 ,   pp .   55 5 – 566,   2007 .   [33]   Hell stedt,  T . ,   a nd  Immonen ,   I. ,   "D isappe ar an ce   and  form at i on  rat es  of  m ic roa neur y sm s  in  ea rl y   dia b et i c   ret inop at h y ",   Br.   J. Ophthal mol .   vol.   80 ,   no .   2 ,   pp .   135 – 139 ,   1996 .   Evaluation Warning : The document was created with Spire.PDF for Python.