Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   13 ,  No.   3 ,  Ma rch   201 9 , p p.   11 99~ 1207   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v1 3 .i 3 .pp 1199 - 1207          1199       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Retin al b lood v essel  s eg mentati on  from  r etinal  i m age usin g    B - COSF IRE and  a dapti ve  t h re sh oldin g       Az iah A li 1 , W an   Mimi   Diya na   Wan Z ak i 2 ,    Aini Hu ssa i n 3   1 ,2,3 Cent er   for  In t egr ated  S y s te m s  Engi ne eri ng  and   Advanc ed   T ec h nologi es  (INT E GRA ),     Facul t y   of Engin ee r ing   &   Buil t  E nvironment,   Uni ver siti   Keba ngsa an  Mal a y s ia,  Ma lay s ia   1 Facul t y   of  Com puti ng  &   Inform at i cs,   Mult imedi a  Univer si t y ,   Ma lay s ia       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Sep   1 5 , 201 8   Re vised N ov   2 1,   2018   Accepte d Dec   2,   2018       Segm ent at io n  o f  blood  vessels  (BVs )  from  ret in al   image  is   one  of  the  important   steps  in  deve lop ing  a   computer - assisted  ret in al   di agn osis  sy stem   and  has  bee n  widely   rese ar che d  espe cially   for  i m ple m ent ing  au tomati c  BV   segm ent at ion   m et hods.  Thi s  pa per   proposes  an   improv ement  t o  an  exi stin g   ret in al   BV  (RB V)  segm ent at io n  m et hod  b y   c om bini ng  the   tr ai nab le   B - COS FIRE  fil te r  with  ada pti v e  th resholdi ng  m et hods.  The   proposed  m et hod  ca n  aut om at i call y   conf igur e  i ts  sele c ti vi t y   giv en   a  pro toty pe   patter n  to   be   det e ct ed .   Its  se gm ent a ti on  per f orm anc e  is  compara bl e  to  m any   publi sh ed  m et hods  with  the   adva n ta g e   of  robustness   aga inst  noise   on  ret ina l   bac kground.  Inst ea d  of  using  gr i d  sea rch   to   find  the   opt imal  thres hold  val ue   for  a  whole  d ataset ,   ada p ti ve  t hre sholding  (A T)  is  used  to  d et er m ine   the  thre shold  for   each  re ti na l  imag e.  Two  AT  m et ho ds  inve stigated   i n  thi s  st u d y   were   ISO DA TA   and  Otsu’s   m et hod.   Th e  propo sed  m et hod  was  val id at e d   using  40  images  from   two  benc hm ark   dat ase ts  f or  ret in al   BV  se gm ent at io n   val id at ion ,   name l y   DRIV E  and  S TAR E.   Th e  val i dat ion  resul ts  indi cate d  th at  the   segm ent atio n  per form anc e  of  the   proposed  unsupervise d  m et hod  is  compara ble   to   the   origi n al   B - COS FIRE  me thod  and  oth er  publi she d   m et hods,  without   req uiri ng  th e   ava ilabilit y   of  ground  trut h  da ta   for  new  dat ase t.   T h e  Se nsiti vity   and  Speci f ic i t y   val u es  ac hi eve d  for  DRIV E  and   STARE  are 0. 78 18,   0 . 9688,   0. 79 57  and  0 . 9648,   r espe ctively .   Ke yw or d s :   Ad a ptive  t hr es ho l ding    B - COSF IRE  f i lt er    Re ti nal  b lo od  v essel     Segm entat ion   Copyright   ©   201 9   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 :   Aini  Hu s sai n,   Ce nter fo r In te gr at e d  Syst em s  Enginee rin g  a nd Ad van ce d Tec hnol og ie s  (INT EGR A),    Faculty  of E ngineerin g & B uilt  En vir onm ent,   Un i ver sit i Ke ba ngsaan  Mal ay sia , 43600 Ba ngi, Ma la ysi a .     Em a il :  dr ai ni@ukm .ed u. m y       1.   INTROD U CTION     It  is  pr oject ed  that  diabetes  cases  world wide   will   see   a  st eady  rise  in  the  near   fu t ur e   wh ic h  in  tur n  will   increase   the  cases  of   diabeti c  reti nopathy  (D R) .  DR  is   an  ocu la r  dis ease  aff ect in g  diabeti c  patie nt s   wh ic h   cou l d  le ad  to  total   blindness   if  the  patie nts  are  no t  giv e n   tim el y   treatm ent.  T o  dec r ease  the  risk  of   total   blindness ,  m any  ho s pital s  world wide  are   no w  m on it or in g  diabeti c  patie nt s  for  any  DR  sy m pto m s  via  routin e   reti nal  screeni ng.  This  re su lt s  in  a  la rg e  nu m ber   of   reti na l  i m ages  to  be  diagnose d  by  ophth al m olo gi sts.  A  com pu te r - assis te d  reti nal  diagnosis  syst em   can  be  de vel oped  to  assist   the  op h t ha l m ol og ist s  in  pe rfo rm ing   a   m or e eff ic ie nt  and accu rate  re ti nal d ia gn os is  wh e n deali ng  with lar ge n umber  of  reti nal im ages.     On e  of   t he  cr ucial   ste ps   in   a  com pu te r - as sist ed  reti nal  diag nosis  syst e m   is  accurate  detect ion   of   R BVs  from   a  r et inal  i m age,  or   ref e rr e d  to  as   R BV  segm ent at ion .  By   anal ysi ng   the  RB V   structu res  pro du c e d  by  segm entat i on   al gorithm ,  ophth al m olo gi sts  can  detect   and   dia gnos e  a  nu m ber   of   oc ular  diseases  su c h  as   Diabeti c  Re ti no pat hy,  m acul ar  de gen e rati on  an d  gla uco m a.  Tech niques  for  autom at ic   s egm entat ion   of  R BVs  hav e   bee n  a   m ajor  researc h  t op ic   i n  reti nal  i m a ge  proces sing   fiel d.  Re vi ews  of  c urre nt   te chn iq ues   f or  this   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   En g  &  Co m p  Sci,   Vo l.   13 , N o.   3 ,  Ma rc h 201 9   :   1199   –   1207   1200   pur po se  ha ve  been   c om pr ehe ns ively   su m m a rised  by  Fr az  [ 1]   and   rece ntly   by  Alm otiri  [2] .  The se  te ch niques  can  be   ge ner al l y  div ide d  int o  two  m ai n  cat egories,  nam el y  super vised  a nd  uns uper vised   m et ho ds.  S uperv ise d  m et ho ds   re qu i re  m anu al ly   segm ented  R BV s  i m age  to  be  avail able  f or   t rainin g  m od el s   to  be  us e d  la te r  to   c la ssify  pix el s.   Un s uper vised   m et ho ds   on  t he  ot her   ha nd   do es  no t  nee d  to  ha ve  a  pri or   trai ning  s ession,    bu t  us e  ru le - ba sed  m et ho ds  to  identify   vessel  pix el s  against  bac kgr ound  pi xels.  S om e  of   the  a vaila ble   te chn iq ues   incl ud e   ke r nel - bas ed  m et ho d   [3 ] - [ 5] ,   vessel   trac king  m et h od  [6 ] ,   [ 7] ,  m at hem at ic al   m or phology - base d  m et ho d  [8 ] ,   [ 9] ,  m ulti - scal e  m e tho d   [ 10 ] - [ 12] ,  m achine  le ar ning  m et hod  [13 ] - [ 16]   and   m od el - ba sed   m et ho d  [ 17 ] ,   [ 18] .   B - COSF IRE,  sta nd s  f or   Ba r - sel ect ive  Co m bin at ion   of   Sh ifte d  Fil te r  Re sp onses ,  is   an  ef fici ent   m et ho d  to  seg m ent  R BV  fro m   dig it al   fu nd us   im ages  [ 19] .  T he  res ulti ng  segm ented  ve ssel  tree   (VT)   with  B - COSF IRE  f or  bo t h  DRI VE  a nd  ST ARE  dataset s   dem on str at ed  the  m et hod’ s   capa bili ty   t o  acc ur at el y  de te ct   m ai n  VT   on  f undus  im ages.   The   m et ho d  i s  al so  r obus t  a gainst  t he  no is e  from   non - ve ssel  struct ur e s  on  the   reti nal  i m age  ba ckgr ound  co m par ed  to  ot he r  existi ng  se gm entat ion   m eth ods.  O f  al l  the  publishe d  m e thods  s o  far ,  B - C OSFI RE   m et ho d  de m on strat ed  it s  su pe rio rity   in  the  eff ic ie ncy  of   se gm enting  R BVs  from   a   reti nal   i m age  com par ed  to  ot her   publishe d  te chn i qu e s   [19] .  T he   m et ho d  only   ta kes  ap pro xim at ely  six  seconds  on  aver a ge  t o  pro du ce   the   fi nal  segm ented  ve s sel   outp ut  im a ge  with  im ages  f ro m   DRI V E  an d  ST ARE .  T his   le nd s  the  m et ho d  well   to  real - tim e  app li cat i on s  of   B V  seg m entat ion   in  r et inal  i m age  di agnosis  syst em .  The   m et ho d  c ould  al so   be  ta il ore d  to  s uit  m ob il e  com pu ti ng   in  the  f ut ur e  wh ic h  re quires   low  c om pu ta ti on al     load  a nd   shor t  processin g  t i m e.  Wh il e  th e  m et ho d  has   a  relat ively   l arg e  num ber   of   par am et ers  to  be   determ ined  f or  each  dataset   to  proces s,  thi s  can  be  res ol ved   by  usi ng  the  pa ram et er   est i m ation   m et hod  pro po se d by  V os ta te k  i n  [ 20] .   In   this  st ud y ,   t he  ef fecti ven e s s  of   us in g  ada pt ive  thres ho l din g  with  B - C O SFI RE  filt er  to   bin arize  the   gr ay scal e   im age  was  in vestiga te d .  T hr es hold  value   was  or i gin al ly   determ in ed  usi ng  gri d  s earch  by  Azz opar di   [19] ,  w hich  re qu i res  avail abi li ty   of   groun d  truth   im age.  The  th reshold  va lue  was  syst e m at ic ally  adj ust ed  an d   op ti m al   value  was  sel ect ed  a s  the  value  tha t  m axi m iz ed  a  cho se n  segm entat ion   pe r for m ance  m et ric  cal le d   MC C fo r  al l t he  i m age s   in a d at aset .  By  u sing  ad a ptive th re sh ol ding, we can  el i m inate  th e n eed to  em pirical ly   determ ine  a  th reshold   val ue  f or   ea ch  ne w  da ta set   to  proce ss  w hich  re qu i res  groun d  tr ut h  data.  T wo   ad aptive   thres ho l ding  m et hods   wer e  in vestigat ed   i n  this  stu dy,   nam el y  IS ODAT A   and   Otsu’s  m et hod.   T he  f oll ow i ng   Sect ion   2  des c ribes  the  bac kgr ound  of  B - C OS F IRE  m et ho d  a nd  ho w  it   perform s  R BV  detect ion   on   r et ina l   i m age .  T he  m echan ism   of   the   two  a da ptive  thres holdin g  m et hods   ar e  al so   descr i be d   in  S ect ion   2  f ollowe d  by   t he  over view  of   t he   pro pos ed  m et ho d  in   com bin ing   a dap ti ve  t hr e sholdin g  with  B - COS FI RE  m et hod .  E xperim ental   resu lt s  of   t he  pro po se d  m et ho d  validat e d  on  DR IVE  a nd  STA RE   datas et   are  prese nted  i n  S ect ion   3   a nd t he  c on cl us io n   i n  S ect io n  4 .       2.   RESEA R CH MET HO D     2.1.   Ov er view   A  num ber   of   pre - processi ng   s te ps   are  a ppli ed  to  t he  or igi na l  color  reti nal   i m age  befor e   B - COSF IRE  filt er  is  app li e d  to  obta in  t he   vessel - e nh a nc ed  gray   i m age  ou t pu t.  In   orde r  to  pro duce  th e  final  bin a ry  im age  of   t h e  VT,   a da ptive  th res ho l ding  is  a pp li e d  on   B - CO SF IRE  outp ut  im age.  A n  ove rvi ew  of  the   pro po s e d  m et ho d  is  il lus trat ed  in  the  F igure   1 .           Figure  1.  O verview  of  propos ed  m et ho d       2.2.   Pre - pr ocessin g   Gr ee n  c hanne l  i m age  displ ay s  the  best   co ntrast  be tween   reti nal   vessels  a nd   the  reti nal     backg rou nd   [1]   com par ed  to  ei ther  re d  or   bl ue  c hannels  in   an  RI ,  th us   it   is  extracte d  i n  the  first  ste p  of  pre - processi ng.  Se condly ,  the  co ntrast  ar ound  the  bri ght  reti na l  reg io n  in  th e  Fiel d  of   View  (FO V)   agai ns t  the   dark  bac kgr ou nd   is   sm oo the n  us i ng   S oa res ’s  m et ho d  [5]   wh ic h  in vo l ve s  detect ing   the   FO V  bounda r y,  and   then  dilat ing  it   by  rep la ci ng  e ver y  pix el   valu e  just  ou tsi de   t he  bor der   with   the  m ean  val ue   of  the   pi xels  in  it s  8 - neig hbour ho od  that  a re  ins ide  the  FOV.   This  ste p  is  re pe at ed  f or   20  t i m es  and   t hen,   the  dilat ed  im age  is  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       Ret ina l  blood v essel  segme ntat ion  fr om reti nal i m ag e  usi ng  B - CO SF IRE a nd ad a ptive   . ...   ( Aziah Al i)   1201   con t rast - a dju st ed  us i ng   c ontrast - li m it ed  adap ti ve  histo gr a m   equ al iz at i on   (CLA HE )  al gorithm   [21] .  Th e   resu lt in g  im age w il l be t he  i nput t o  the  next  ste p,  B - COS FIR E   filt er.     2.3.   B - COSFI RE   B - COSF IRE is  a n ovel  b io - in sp ire d  filt er th a t can b e  us ed  t o  le arn  li ne pat te rn s fr om  an  i m age sig nal   [4 ] .  It  is  a  trai nab le   filt er  in  the  sen se  that  the  filt er’ s  sel ect ivit y  can  be  sp eci fied   by  prov i ding  a  prot otype   patte rn  f or  the   fil te r  to  detect .   For  a ppli cat ion   i n  RB V   se gm entat ion ,  a   ba r  str uctu re  is   us e d  as   the   pr oto ty pe  patte rn   t o  co nfi gure  the  filt er’ s  sel ect ivit y  towards  ves sel   structu res  wh ic h  are  bar - sh a pe d.   T he  filt er  config ur at io n  i nvolv e s  the   co nvolu ti on  of  D iffer e nce  of  G a us sia n  ( D oG)   filt er  with   the   syntheti c  bar   patte r n  in  the  prototy pe,   f ollo wed   by  analy zi ng   local   m axi m um  Do G  res po ns es  al ong  a  sp eci fied  nu m ber   of   con ce ntric  ci rc le s.  Bl ur re d  a nd  sh i fted  respo ns es  of   the  filt er  are  al s o  co nsi der e d  to  al lo w  f or   s om e  toleran ce   to  prefe rred   posit ion  of  t he   prot otype  pa tt ern .  A  D oG  f un ct io n  ca n   be  re pr ese nt ed  by  D oG( x,y )  in          e qu at io n 1 [ 19 ] .      ( , ) = 1 2  2  ( − ( 2 + 2 ) 2 2 ) − 1 2 ( 0 . 5 ) 2  ( − ( 2 + 2 ) 2 ( 0 . 5 ) 2 )     (1)     wh e re   ( , )   is  the  pi xel  posit ion  in   an   im age  I ,  a nd  σ   is  t he  sta nd a r d  de viati on   of  t he  Ga us s ia n  functi on  t ha t   determ ines  the  extent  of   the  s urrou nd.  The  inn e r  Ga us ssia n  fu nctio n    of   th e  DoG  has  the  value  0.5 σ  use d  as  it ’s  sta nd a rd   de via ti on   val ue,   i.e .   half  of   sta nd a rd   de viati on   for  oute r  Gaussi an  f unct ion.  T he  res ponse   of   a  DoG   filt er  de fine d  in  e quat ion  1  t o  a n  im age   I   with  i ntensity   distrib ution  ( ′ , ′ )   de no te d  a s  ( , )   is  c om pu te d  by con vo l ution:     ( , ) =   | ∗  | +         (2)     wh e re  | . | +   de note s h al f - wa ve rect ific at ion   op e rat ion  t hat cha nge s all  n e gative  va lues to  zer oes.   A  ce nter - on  D oG  filt er  is  a ppli ed  to   the   gi ven  pr oto ty pe  patte rn  to  c onf igure  the   B - C OS F IRE  filt er.   A  ce nter  point,   al so   known   as   the  ce nter  of  su pp or t  of  the   B - COSF IRE  fi lt er,  is  sel ect ed   an d  the   D oG  filt er   respo ns es  ( , )   al ong  se ver al   k  c oncent ric  ci rcle s  ar ound  the   c enter  point  ar e   co ns ide red.  T he  do m inant  intensit y variat ion s a rou nd  t he  p at te rn   of  i nterest is charact erized  by sign i ficant local  m a xim a p os it ion s  on  t he  con ce ntric  ci rc le s.  The se  po i nts  i  are   d escr ibed  by  a   tu ple  of  th ree  para m et ers  ( , , ) wh e re   σ_i  is  t he   sta nd a rd  de viati on  of   the   D oG   filt er   with   the   stronge st  re spo ns e,   wh il e  ( , )   are   the  pola r   co ordi nates  with   resp ect   to   the   cente r  point.   Th ese  set   of   3 - tu ples  a r e  denoted   by  = { ( , , ) | = 1 , … , }   w it h  n  represe nting   th e  nu m ber   of  D oG   respo ns es  consi der e d.   T he   DoG  res ponse s  at   the  determ ined  posit ions  are   us e d  to  cal c ulate   the  B - COS F IRE  outp ut.  T he   respo ns es  a re   first  bl urred  to   al low  f or  so m e  po sit ion   tole r ance  of   t he  points.   Bl ur ri ng   is  pe rfor m ed  by  c om pu ti ng   the  m axi m u m   value  of  wei ghte d  th resholde d  DoG   respo ns es w he reas  wei ghti ng  is  achieve d  by  m ul ti plyi ng   th e  respo ns es o f  D oG f il te r  with  the  c oe ff ic ie nts  of a   Gau s sia n  f unct ion  w hose  sta ndar d  de viati on  σ'   is  a  li near   functi on  o f  t he  di sta nce  ρ_i  f rom   the  filt er’ s  su pp or t   center      ′ = 0 ′ +       (3)     wh e re  both  0 ′   an d  α   a re  co ns ta nts.  Ne xt,  eac h  bl urred   D oG  res pons e  is   sh ifte d  by  a  distance  ρ_i  goin g  towa rd s   t he  op po sit e     directi on,   m eet ing   at   t he   sup port  ce nt er.  The   s hift   ve ct or s   are   Δ = − cos     a nd  Δ = − sin .   The  it h bl urred an d  s hifted  r es pons e  of the  DoG fil te r  is  de note d by      , , ( , ) = ma x ′ , ′ { ( − Δ − ′ , − Δ − ′ ) ( ′ , ′ ) }   (4)     wh e re   − 3 ′ < ′ , ′ < 3 ′ .  T he   outp ut  of  a   B - C OS F IRE   filt er   is  t he n  de fine d  as  t he   wei ghte d  ge om et ric   m ean of  al l t he  b lu rr e d  a nd s hi fted Do G res ponse s c orres pond i ng to  t h e set  of tu ples  S :     ( , ) = | ( ∏ ( , , ( , ) ) | | = 1 ) 1 ∑ | | = 1 ⁄ |   , =  2 2 2 ,     = 1 3 ma x ∈ { 1 … | | } { }       (5)     wh e re  | . |   denote s  thres holdin g  the   B - CO SFIR E  filt er  res ponse   at   t   valu e  0 ≤ ≤ 1   of   t he  m a xim u m   respo ns e.  At  th is  po int,  the  fil te r  is  sel ect ive  to  the  sh a pe  an d  or ie ntati on   of  the  bar   s pecif ie d  in  the  prot otype  patte rn. T o  c onfig ur e  for  sel ec ti vity  to  the sa m e p at te rn  at  di ff ere nt  or ie nta ti on s,  t he ori gin al  orienta ti on  of  t he   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   En g  &  Co m p  Sci,   Vo l.   13 , N o.   3 ,  Ma rc h 201 9   :   1199   –   1207   1202   bar  in   th e  prot otype   patte r n  can  be   r otate d  at   regular   i nterv al s   to   ob ta i n  a   ne w  set   of  3  t up le s   ( )   with   diff e re nt orient at ion s  ψ :     ( ) = { ( , , + ) | ∀ ( , , )   ∈ S }     ( 6)     W it h  filt ers’   s el ect ivit y  no w   co nf i gure d  for  m ulti ple  or ie ntati on s ,  the   r esp on ses   of  B - COS FI R E   filt ers  with  dif fer e nt  ori entat ion   a re  m erg ed   and   t he  m axi m u m   value  at   ever y  locat io n  ( x,y)   are  ta ken   t o  pro du ce  the  ov erall  r es pons e:     ̂ ( , ) = ma x ∈ Ψ { ( ) ( , ) }   (7)     wh e re  Ψ   is  a   set   of    regula r  inter val  or ie ntati on s   de fine d  as  Ψ = { | 0 ≤ ≤ } .  T o  det ect   vessel  end i ngs,  a  ne w  B - COS FI R E  filt er  with  a  prototype  that   dep ic ts  the  ve ssel  end in gs,  i.e.  on ly   the  u pper  half   portio n  of  t he  bar   prot otype  i n  the  previ ous   filt er,  is  c onfigure d.   T his  ve ssel  en ding  filt er  is  re ferre d  to  as   asym m e tric   fil te r  and   the  pre vious  filt er  as  sy m m e tric   filter.   The  fi nal  r esp on se  is  obta ined  by  ad di ng   the  respo ns es  of  both  sym m et ri c  and asy m m et ri c filt ers bef or e   it  is rescaled  ba ck  to  the  ori gi nal gray scal e l evels.   In   this  w ork,   t he  pu blishe d  B - COS FI RE  para m et ers  fo r  D RIVE  a nd   ST ARE  dataset   by   the  or igi nal   auth or s  in  [ 19 ]   wer e  us ed .  The  ori gin al   B - COSF IRE  m et ho d  sp e ci fied  a  thres ho l di ng   pa ram et er   t  to  be   determ ined  usi ng  gri d  searc h  for  eac h  s pecif ic   dataset   to   bi nar iz e  t he  ou t put  of  t he  m et ho d  as  per  E qu a ti on   5.   In   t his  stu dy,  two  AT  m et hods   we re  in vest igate d  to  a utom at ic ally  determ ine  the  op ti m al   thresh ol d  t  wh ic h  will   el i m inate   th e  nee ds   f or  ( i)  gro und  tr uth  data  an d  (ii)  it erati ve  searc h  for  opti m a l  segm entat ion   thr esh old   for  ne w  datase ts.  Figure  2  s how  sam ples  of  reti nal  i m age s  from   DRIV E  and   ST ARE   database  with   their   corres pondin g pr e - pr ocesse d  i m ages and  B - COSF IRE f il te r  re spo n ses.             a)   b)   c)         d)   e)   f)     Figure  2 .  (a ),   ( d) Sam ple r et inal i m ages w it h  thei r  c orrespondin g ( b) ,   (e ) pr e - pr ocesse d  i m ages and (c) ,     (f) B - C OS F IR E r es pons e s fo r  DR IVE (R ow  1) a nd ST AR E ( R ow 2)       2.4.   Adapt i ve  Thr esho ldi n g (A T )   We  i nv est igat ed  tw o   AT   m et hods   t o  dete rm ine  the  opti m al   threshold   val ue  for  bina rizi ng  th e     B - COSF IRE  m et ho d’s  outp ut.  First  is  the  Otsu’s  m et ho d,  wh ic h  is  wide ly   us ed  f or   se gm entat ion   of  r egio n  of   interest s  in  an   i m age  [22] .   The  m et ho d  a ssu m es  that  e ver y  im age  con sist s  o f  only   two  cl asses  of  pix el s ,   nam ely  the  ba ckgr ound  pi xe ls  and  the  for egro und  pix el s .  To   pe rfo rm   i m age  segm entat ion   into   the   two  cl asses,  the  m et hod  ch ooses   a  threshold  va lue  base d  on   the  var ia nce  of   the  tw o  cl asses.  The  oth e r  AT   al gorithm   con sidere d  is  IS O DA T A  m et ho d    [23] .   This  m et ho d  reli es  on   the  ass um ption   that  the  op tim al   thres ho l d  f or  im age  bin a rizat ion   is  t he  ave r age  of   t he  m ea n  of  of   t he  tw o  cl asses.  ISO DA T A  is  a n  it erati ve   m et ho d  that  st arts  with   us in g  the   m ean  i m age  for  i niti al i zat ion   t o  cal cu la te   the  init ia l  thres hold,   sin ce  th e   m ean  of   t he  tw o  cl asses  are  not  init ia ll y  kn own .  The  i niti al   thres ho l d  will   then  be  us e d  t o  dete rm ine  the  nex t  thres ho l d  valu e  in  sea rch  f or  the  opti m a l  value.   T he  ste p  is   rep e at ed  unti l  there  a re  no  sign i ficant  c hanges  i n  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       Ret ina l  blood v essel  segme ntat ion  fr om reti nal i m ag e  usi ng  B - CO SF IRE a nd ad a ptive   . ...   ( Aziah Al i)   1203   the  th resh ol d  va lue  or  unti l  a  certai n  nu m ber  of  it erati ons  i s  com plete d.   T hese  t wo  m et h od s   w ere  a ppli ed  t o  the  gray   i m age  ou t pu t  of   B - COSF IRE  filt ers  ̂ ( , )   us ed  to  det erm ine  the  thr esh old   t   in  E quat ion   5.   The  final  ou t pu t  is   the  bin ary  i m age  res ulti ng  fr om   threshol ding  the   B - C OS F IRE  filt ers  res pons es   usi ng   t he   thres ho l d  t .     2.5.   Perfo r ma nce  Measurem en t   To  quantify   t he   segm entat ion  pe rfor m ance,  total   num ber   of  tr ue  posit ive  (TP),  false  pos it ive  (F P ),  true negati ve ( TN)  a nd f al se  neg at ive  (FN) pixels are calc ula te d  f or  eac h bina ry o ut pu t  i m age b y com par i ng  it   to  the  m anu al ly   segm ented  i m age.  Using  t hese  val ues,   a  nu m ber   of  m etr ic s  norm al ly  us e d  f or   se gme ntati on  perform ance  m easur em ent  are  the n  cal c ulate d.   T o  c om par e  the  pe rfor m ance  of   t he  propose d  m et hod  to   the   o ri gin al   B - CO SFI RE  m et ho d,   the  Accura cy   (A cc) ,  Se ns it ivit y  (S n),   Sp eci fici ty   (S p),  an d  Ma tt hew’s   Correl at ion  C oe ff ic ie nt  (MCC )  as  de fine d below are  calc ulate d:      =    +  ,  =   +  ,  =   +  ,        = (  / ) −  ×  √  ×  × ( 1 − ) × ( 1 −  )       (8)     w he re  =  +  +  +  ,  =  +    an d   =  +    .  Sens it ivit y  m e asur e s  the   abil it y  of   the   m et ho d  t o  s ucc essfu ll y  detect   vessel  pix el s  w hile  sp eci fici ty   m easur es  the  abili ty   to  detec t  non - vess el   pi xels.   MC C  is  a  m et ric  to  norm al ly   m easur e p er for m ance  of  bi nary   cl assifi ers  in the  cases wher e  the  tw o  cl ass es  are   no t   bala nced,  l ike  in   this  ca se   with   RB V  seg m entat ion   wh e re  the   nu m ber   of  ves sel   pix el s  is  fa r  le ss   tha n  t he   nu m ber   of  no n - vess el   pi xels.  In   a ddit ion  to  t hese  4  m et rics,  an oth e r  m et ric   cal le d  G - m ea n  propose d  i n  [ 24 ]   is   cal culat ed  a nd  def i ned as:     −  = √  ×      (9)     G - m ean  val ue  of  1  in dicat es  perfect   se gm entat ion   wh il e  0  ind ic at es  t otall y  wro ng  pre dicti on .   It  is   a   good c ho ic e  of  m easur e that i ncor porates  both Se ns it ivit y and S pecifici ty  into  a  sin gle m e asur e .       3.   RESU LT S   A ND AN ALYSIS     Fo r   validat io n,  the  pr opos e d  m et ho d  was  use d  to seg m ent  reti nal  im ages  from   two  publi cl y  avail able  reti nal  i m age  databases ,  na m el y  DRIV E  [25]   and   ST A RE  [26] .  20   i m ages  from   t he  te st  set   fo r   DRIV E   database  a nd   al l  20   i m ages  in  STA RE  database  wer e   us ed .  Table   1  su m m arise s  the  segm entat ion  perform ance o f  the  pro po se d m et ho d  c om par ed  to ori gin al   B - COSF IRE  publis hed in  [19 ] .       Table  1.   Per for m ance r es ults  of the  pro pose d  B - C OS F IRE  with  AT  c om par ed  to ori gin al  B - COS FI RE   Databas e   Metho d   Acc   Sn   Sp   MCC   G - m e an   DRIVE   Origin al B - COSF I RE   0 .94 4 2   0 .76 5 5   0 .97 0 4   0 .74 7 5   0 .86 1 9   B - COSFIR E  &  Ot su   0 .94 5 0   0 .67 4 3   0 .98 5 1   0 .73 6 2   0 .81 5 0   B - COSFIR E  &  I S ODAT A   0 .94 5 6   0 .69 3 9   0 .98 2 9   0 .74 1 3   0 .82 5 9   STARE   Origin al B - COSF I RE   0 .94 6 7   0 .77 1 6   0 .97 0 1   0 .73 3 5   0 .86 5 2     B - COSFIR E  &  Ot su   0 .95 1 1   0 .70 9 3   0 .97 9 1   0 .72 6 2   0 .83 3 4     B - COSFIR E  &  I S ODAT A   0 .95 0 7   0 .72 4 5   0 .97 6 9   0 .72 8 4   0 .84 1 3       Com par ing   O tsu  an d  I SOD ATA   ac ross  the  m et rics  in  Table  1,   it   seem ed  that  I SODA T A   ou t perform ed  Otsu   e xcep t  f or  the  S pecifici ty   value.   T hu s ,  it   is  fair  to  concl ud e  that  I SODAT A  works  bette r   than  Otsu  in  de te rm ining   t he  thres ho l d  valu e  for  bin a rizi ng  the  B - CO SF IRE  filt e r  ou t put.  It  ca n  al s o  be  see n  from   the  ta ble  that  us in g  AT   res ulted  i n  i nc rease  of  A cc ur acy   a nd  S pe ci fici ty   values  for  bo t h  DRI V E  an d  STA RE  datab ase.  H ow e ve r,  for  both  data bases,   Sens it iv it y  value  wh ic h  re pr ese nt  th e  m et ho d’s  ab il ity  to  detect   vessel  pi xel s  decr eases ,  wh e n  us i ng  Otsu   or  ISO D ATA   for  thre s ho l ding.  T his  is  becau se  bot h  AT   m et ho ds  pro vi de  th res ho l d  va lues  that  a re  s li gh tl y  higher   than   the  opti m i zed  th res ho l d  determ ined  us i ng  gri d  search   m et ho d  in  or igi nal  B - COS FI RE.   T his  tra ns la te s  to  le sser   tr ue  po sit ives   se gme nted  by  I SODAT A   thres ho l ding  f or   m os t  im age s,  as  il lustrate d  in   Fig ure  3(c),  (g)  a nd  ( h)   w her e   the  outpu t  from   AT  m et ho d  us in g  ISO DAT A  ha ve  detect e d  vessels  that  are  narr ow e r  in  widt h  an d  wi th  le sser  sm all  vessels  com pared  to  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   En g  &  Co m p  Sci,   Vo l.   13 , N o.   3 ,  Ma rc h 201 9   :   1199   –   1207   1204   the  ou t put  o bta ined  wit h  opti m iz ed  threshol d  in  Fig ur e  3( a ),   (e )  an d  ( f) ,  r especti vely .  H ow e ve r,   the re  are  al so  cases  where  I S ODAT A  thre s ho l ding,  as  s hown   in  Fig ur e    3(d),  detect s  m or e  tr ue  posit iv e  pix el s  com par ed  to   op ti m iz ed  thre sh ol d  s how n  i n Fi gure  3(b).         Or i gi nal B - C O SFI RE   B - COSF IRE  WI T H IS ODA TA   D   R   I   V   E     (a)     (b)     (c)     (d)   S   T   A   R   E     (e)     (f)     (g)     (h)     Figure  3 .  Sam ple v essel   ou t put im ages ( a) , (b ),   (e), (f)  usi ng  or i gin al  B - C O SFI RE  an d (c) ,  (d) ,  (g),  (h) us ing   B - COSF IRE  w it h  ISOD AT A fr om  the D RI V E d at a base  (to p row)  and   ST ARE  database   (bottom  r ow)       To  inc rease  the   sensiti vity   value  f or  I S ODA TA  th res ho l ding  m et ho d,   the  t hr es hold v al ue  determ ined   by  the  AT  m e thod  was  re du ced  by  20%,  a  value  deter m ined  em piric al ly .  Qu al it at i ve  com par iso n  of   the   ou t p ut  betwee n  ori gi nal  ISO DA T A  th res hold  an d  the  reduced  ISOD AT A  thr esh old   is  sh ow n  in  Fi gure  4.   I t   can  be  see n  t ha t  with  decr ea se d  th res ho l d  val ue,   m or e  vesse l  pix el s  a re  det ect ed  in   the  f orm   of   enlar ge d  m ai n   vessels  an d  de te ct ion   of  ad di ti on al   sm a ll er   vesse ls.  T he  i m pr ovem ent  i s  al so   evid ent   in  the  quantit at ive  resu lt s  su m m arised  in  Table  2.  By   us ing   the  decr ease d  th re sh ol d  val ue,   as   pr e dicte d  the  sensiti vity   valu es  fo r  bo t h  DR IVE  a nd   ST ARE  dat abases  i ncr eas ed  al on g  with   an  inc rease  in   G - m ean  value s .  Wh e n  co m par ed  t o  the  or i gin al   B - COSF IRE  r esults,  the  res ults  ob ta in ed  with  dec rease d  thre shold  va lue  achieve d  bette r   perform ance  acro ss  th ree  pe rfor m ance  m etr ic s  nam ely  Accu racy,  Se ns i ti vity   and   G - m ean.  Howe ve r,   the  m et ho d’s  perf or m ance  in  de te ct ing   no n - ve ssel  pi xels  dec rease  sli ghtl y  com par ed  t o  ori gin al   B - COS FI RE   wh ic h  c ou l d be  due to  sli ght i ncr ease  in  t he nu m ber   of f al s e posit ive  pix el s.               a)   b)   c)   d)           e)   f)   g)   h)     Figure  4 .  Com par is on of  vess el  o ut pu ts  u si ng  (a) ,  ( e ) IS ODATA t hres ho l d,  ( b),  (f) r e duce d ISOD AT A  thres ho l d for  D RIVE  ( R ow 1)  and ST ARE  (R ow 2)  database s.  (c ), ( d), (g )  a nd (h) are  the e nlar ged re d boxes  in ( a ),   ( b) ,  ( e )  a nd (f)  r es pecti ve ly        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       Ret ina l  blood v essel  segme ntat ion  fr om reti nal i m ag e  usi ng  B - CO SF IRE a nd ad a ptive   . ...   ( Aziah Al i)   1205   Table  2 . Per for m ance r es ults  of the  pro pose d  B - C OS F IRE  with Re du ce d Thr e shold  ( B - CO SF IRE  +ISOD AT A( R ))  c om par ed  to ori gin al  B - C O SFI RE  an d oth er  publishe d  m et hods   Metho d   DRIVE   STARE   Acc   Sn   Sp   G   Acc   Sn   Sp   G   Un su p ervis ed   Origin al B - COSF I RE  [ 1 9 ]   0 .94 4 2   0 .76 5 5   0 .97 0 4   0 .86 1 9   0 .94 6 7   0 .77 1 6   0 .97 0 1   0 .86 5 2   B - COSFIR E  &  I S ODAT A     0 .94 5 6   0 .69 3 9   0 .98 2 9   0 .82 5 9   0 .95 0 7   0 .72 4 5   0 .97 6 9   0 .84 1 3   B - COSFIR E  &  I S ODAT A ( R )   0 .94 4 6   0 .78 1 8   0 .96 8 8   0 .87 0 3   0 .94 7 1   0 .79 5 7   0 .96 4 8   0 .87 6 2   Mend o n ca  [ 8 ]   0 .94 6 3   0 .73 4 4   0 .97 6 4   0 .84 6 8   0 .94 7 9   0 .69 9 6   0 .97 3 0   0 .82 5 1   Fraz  [ 9 ]   0 .94 3 0   0 .71 5 2   0 .97 6 8   0 .83 5 8   0 .94 4 2   0 .73 1 1   0 .96 8 0   0 .84 1 3   Mar tin ez - Per ez  [ 1 2 ]   0 .93 4 4   0 .72 4 6   0 .96 5 5   0 .83 6 4   0 .94 1 0   0 .75 0 6   0 .95 6 9   0 .84 7 5   Su p ervis ed   Asl  [ 1 3 ]     0 .74 2 8   0 .97 3 2   0 .85 0 2     0 .74 1 9   0 .97 0 6   0 .84 8 6   Orland o   [ 1 8 ]     0 .78 9 7   0 .96 8 4   0 .87 4 5     0 .76 8 0   0 .97 3 8   0 .86 4 8   Mar in   [ 1 4 ]   0 .94 5 2   0 .70 6 7   0 .98 0 1   0 .83 2 2   0 .95 2 6   0 .6 944   0 .98 1 9   0 .82 5 7   So ares  [ 5 ]   0 .94 6 6   0 .73 3 2   0 .97 8 2   0 .84 6 9   0 .94 8 0   0 .72 0 7   0 .97 4 7   0 .83 8 1   Fraz  [ 1 6 ]   0 .94 8 0   0 .74 0 6   0 .98 0 7   0 .85 2 2   0 .95 3 4   0 .75 4 8   0 .97 6 3   0 .85 8 4   Strisciu g lio   [ 1 5 ]   0 .94 5 4   0 .77 7 7   0 .97 0 2   0 .86 8 6   0 .95 3 4   0 .80 4 6   0 .97 1 0   0 .88 3 9           Re su lt  o f  the prop os ed  B - C O SFI RE & I S O DA T A  (R )  m eth od (wit h  Acc =0 . 9446)  com par ed  to o t he r   publishe d  m eth ods   sho w  c om par able  pe rfor m ance.  It   al so   has  t he  high est   Sens it ivit y  and  G - m ean  va lues  of  0.781 8  a nd  0.8 703  for  DRI V E,  a nd   0.7 957  and  0.8 762  f or  STA RE   com pa red  to  oth e r  unsupe rv ise d  m et hods .   Fo r  s uper vised   m et ho ds ,  on l y  Or la ndo’s  m et ho d  f or   D RIVE  a nd   Stri sci ug li o’s  m eth od  f or   S TAR E  hav e   sli gh tl y  hig he r   Sens it ivit y  and   G - m ean  va lues  than  t he  pro po se d  m eth od.  Highest   Sp eci fici ty   value  f or  DRI VE  was  ac hieve d  by  B - C OS F IRE+I SODAT A  m et ho d  at   0. 9829  w hile  fo r  STA RE  by   Ma rin’ s   m eth od  at   0.981 9.       4.   CONCL US I O N     In   this  pap e r,   an  eff ic ie nt  unsu pe r vised  m eth od  to  se gm ent  RB Vs  on   reti nal  i m age  is  pr op os ed  by  com bin ing   trai nab le   B - C OS F IRE  filt er  with   AT.   Or i gin al   B - COSF IRE  i m ple m entat ion   us ed  gri d  sea r ch  to   determ ine  the  thres ho l d  val ue  that  m axi m iz es  the  MCC  value.   T w o  AT  m et ho ds  wer e  in vestig at ed  for   bin a rizi ng  B - COSF IRE  filt er  r esp onses,   nam ely  IS O D ATA  a nd  Ots u.   Re s ults  in di cat e  that  ISO DA T A   achieve d  bette r  p erfor m ance acro ss m os t of  the conside red   m et rics co m par ed  to O ts u.   W hile t h e com bi ned  B - COSF IRE  a nd  ISOD AT A  m et hod  ac hieve d  bette r  Acc ur a cy   and  S pecifi ci ty   values  c om par ed  to  t he  or i gin al   B - COSF IRE,   Sens it ivit y,  MC C  and  G - m ea n  values  a re  nota bly  lo wer.  To  im pr ove  th e  overall   pe rfo rm ance,  the  thre shold  de te rm ined  by  I SODAT A  m eth od   was  reduc ed  by  20%.  T hi s  resu lt ed  i n  si gn i ficant  inc re ase  in  Sens it ivit y  and  G - m ean  valu es,  w hich  a re  directl y  relat ed  to  t he  abili ty   of   the  pro po sed  m et ho d  to   bette r   detect   ves sel   pi xels.  C om par ison  of  the  res ults  obta ine d  t o  oth e r  publis hed  m et ho ds  ind i cat ed   c om par able   perform ance  t o  both  s up e r vi sed  an d  uns uper vised  m et ho ds,  with  a ve rag e  processi ng  tim e  of   around  5  seco nd s  pe r  im age.  The  us e   of   AT  el im in at es  the  nee d  f or   a vaila bili ty   of   gro und  tr ut h  data  for  fi nding   t he   op ti m al  thr esh old   value  usi ng  grid   sea rc h.       ACKN OWLE DGE MENTS     This  researc h  i s  sup ported   by   MO HE  Ma la ysi a  (F RG S/1/ 2015/TK 04/U KM/01 / 3)   an d  UK M   ( DI P - 2015 - 012).       REFERE NCE S   [1]   Fraz   M .  M . ,  et  al . ,   “ Blood  vess el   segm entati on   m et hodologi es  in  re ti na l  imag e s  –   A  surve y ,”   Comput  Me thod s   Program s B i omed ,   vol .   108 ,   pp .   4 07 – 33 ,  2012 .    [2]   A lmotiri   J . ,  et   a l. ,   “ Re ti na l  Vess el s  Segm ent atio n  Te chn iq ues  an d  Algorit hm s:  A  Surve y ,”   App l  Sci . ,   vol .   8 ,   pp .   155 ,  2018 .    [3]   Chaudhuri   S . ,  e t   al. ,   “ Detect ion  of  blood  vessels   in  re ti na l  imag es  using  two - di m ensiona l  m at c hed   filters ,”   IE E E  Tr ans Me d  Imaging ,   vo l.  8 ,   pp.   2 63 – 9 ,  1989 .    [4]   Strisci ugli o  N .   a nd   Petkov  N. ,   “ Deli ne at ion  of  l i ne  pat t ern s  in   i m age s  using  B - COS FIRE  fil te rs ,”   2017  Int.   Con f.   Work.   B ioi nspir ed  Int el l . ,   IE EE ,    p p.   1 – 6 ,  2017 .    [5]   Soare s  J .  V .  B . ,  et   al. ,   “ Ret in a l  vessel  segm ent a ti on  using  the   2 - D  Gabor  wave l et   and  supervise d  cl assificat ion ,”   Me d  Imaging ,   IE EE   Tr ans ,   vol .   25 ,   pp .   1214 – 22 ,  2006 .   [6]   Bekke rs  E . ,  et  al . ,   “ A  m ult i - or ie n ta ti on   an aly sis  a pproa ch  to  r et in al   v e ss el   tr ac k in g ,”   J  Ma th  Imag ing  Vi s . ,   vo l.  49 ,  pp.   583 – 610 ,  20 14 .        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   En g  &  Co m p  Sci,   Vo l.   13 , N o.   3 ,  Ma rc h 201 9   :   1199   –   1207   1206   [7]   C huta ta p e  O . ,  et  al .,   “ Re ti na l  bl ood  vessel  detec ti on  and  tra ck in g  b y   m atc hed  G aussian  and  Kal m an  fil te rs ,”   Pr oc   20th  Annu  Int  C onf  IEEE  Eng  Me d  Bi o l  Soc  V ol20  Bi omed  En g  Tow ar  Y ear  2 000  Be yond  ( Cat  No98CH36286) ,  vol.   6 ,   pp .   44 – 9 ,  1998 .    [8]   M endonç a  A .  M .   and   Campil ho  A. ,   “ Segm ent at ion   of  re ti n al   blood  v essel s  b y   combining   the   d et e ct ion   of   ce nt erl in es  and   m orphologi ca l   r ec onstruc ti on ,”   I EE E   Tr ans Me d  Imaging ,   vol .   25 ,   pp .   1200 – 13 ,  2 006 .    [9]   Fraz   M .  M . ,  et   al. ,   “ An  appr oa ch  to  loc aliz e  th e  ret in al   blood  vessels  using  bit   pla nes  and  ce nt erl in e  det e ct ion ,”   Comput  Me thod s P rogr ams   Bi omed . ,   vol.  108 ,   p p.   600 – 16 ,  2012 .    [10]   Ngu y en  U .  T .  V . ,  et   al . ,   “ An  eff ec t ive   r et in al   bl ood  vessel  segm ent a ti on  m et hod   u sing  m ult i - sca l e  li n e  detec ti on ,”   Pat te rn   Recogni t . ,   vol.  46 ,   pp.   70 3 – 15 ,  2013 .    [11]   Strisci ugli o  N . ,  et   al. ,   “ Multi sca l e  Blood  Vess el   Deli ne at ion  Us i ng  B - COS FIRE  Filt ers,   Springer ,   Cham ,”   p p.   300 – 12 ,  2015 .   [12]   Marti ne z - Pere z  M .  E . ,  et   al . ,   “ Segm ent ation  of  blood  vessels  from   red - fre e  and   fluore sce in  reti nal   imag es ,”   Me d   Image  Anal ,   vo l.  11 ,   pp.   47 – 61 ,  2 007 .   [13]   As l  M .  E . ,  et   al. ,   “ Tracki ng  and  dia m eter  e stim at ion  of  retina l  vessels  usi ng  Gauss ia n  proc ess  and  Rado n   tra nsform ,”   J  M e d  Imaging ,   vol.  4 ,   pp .   1 ,  2017 .   [14]   Marín  D . ,  e t  al. ,   “ A  New   Supervised  Method  fo r  Blood  Ves sel  Segm ent at ion  in   Ret inal  Im age s  b y   Us ing  Gra y - Le ve l  and   Mom ent   Inv ariant s - B ase d  Fea ture s ,”   I EE E   Tr ans Me d  Imaging ,   vol .   30 ,   pp .   146 – 58 ,  20 11 .    [15]   Strisci ugli o   N . ,  et   al . ,   “ Supervised  vessel  d el in e at ion  in  re ti na l  f undus  images  with  th e  au tomatic  select ion  of  B   - COS FIRE f il te rs ,”   Ma ch Vi s  App l .,   2016.     [16]   Fraz   M .  M . ,  e t  a l . ,   “ An  ense m ble   cl assifi cation - ba sed  appr oa ch  ap pli ed  to  re ti na l  b lood  vessel  seg m ent at ion ,”   I E E E   Tr ans B iomed  E ng . ,   vol.  59 ,   pp.   2538 – 48 ,  2012 .    [17]   Verm ee r  K .   A .,  et   al. ,   “ A  m odel   base d  m et hod  f or  ret ina l  blood  vessel  det e ct ion ,”   Comput  Bi ol  Me d . ,   vol .   34 ,   pp.   209 – 19 ,  2004 .    [18]   Orlan do  J .  I . ,  et  al. ,   “ A  Discriminat ive l y   T rained  Full y   Conn ec t ed  Condit ion al   Random  Fiel d  Model  for  Blood  Vess el   Segm en t at ion   in  Fundus   I m age s ,”   I EE E   T rans   Bi omed  En g . ,   vol .  64 ,   pp.   16 – 27 ,  2017 .    [19]   Azz opar di  G . ,  e t  al. ,   “ Tra in able   COSFIRE  fil te r s  for  ves sel  del i nea t ion  wit h  appl icati on  to  reti nal   images ,”   Me d   Image  Anal . ,   vol .   19 ,   pp .   46 – 57 ,  2015 .    [20]   Vos ta te k  P . ,  e t  al. ,   “ Perform ance  compari son  of  publi cly   av ai l a ble   retina l  bl oo d  vessel  segm ent at ion  m et hods ,”   Comput  Me d  Imaging  Gr aph ,   20 16.     [21]   Pize r  S .  M . ,  et  a l . ,   “ Adapti ve   his togra m   equalizat ion  and  it s  va riations ”   Comp  V ision,   Gr aph  Ima ge  Proc ess ,  vol .   39 ,   pp .   355 – 68 ,  1987 .   [22]   Otsu  N. ,   “ A  Thre shold  Selecti on   Mthd  from   Gra y - L evel  His togr ams ,”   IEE E  Tr a ns  Syst  Man  Cybe rn ,   vol.   C ,   pp.   62 – 6 ,  1979 .   [23]   Bal l  G .  H .   and   Hall   D .  J. ,   “ ISODATA,  a  nove l  m et hod  of  da ta   a nal y s is  and  p atte rn  class ifi cation ,”   Analysis ,   pp .   1 – 79 ,  1965 .   [24]   Orlan do  J .  I . ,  et  al. ,   “ Ret in al   b l ood  vessel  seg m ent at ion  in  hi gh  reso lut ion   fu ndus  photogra p hs  using  aut om a t ed  fea tur e  p ara m ete r  esti m ation ”   in   Brie va   J . ,  e t  al . ,   13th  Int .   Con f.  Me d.   Inf. P roc ess.  Anal . ,   vol .   105 72,   pp .   8 ,   2017 .   [25]   Staa l  J . ,  e t  al . ,   “ Ridge - base d  v essel  segm ent ation   in  col or  images  of  the   r et in a ,”   IE EE   Tr ans  M ed  Imaging ,   vol.  23 ,  pp.   501 – 9 ,  2004 .    [26]   Hoover  A .   and   Goldbaum M. ,   “ Loc a ti ng  th e  opt ic   ner v e  in   a  r eti nal   imag e  using  the   fuz z y   c onver genc e   of  th e  blo od  vessels ,”   IEEE  T rans   Me d  Imagi ng ,   vol .   22 ,   pp .   9 51 – 8 ,  2003 .       BIOGR AP HI ES OF  A UTH ORS          Azia h  Al i  is  a   PhD   ca ndidate   at   Fa cul t y   of  E ngine er ing  and   Buil t  Envi ronm ent ,   Univer sit i  Keba ngsaa n  Ma lay s ia   and  a   le c ture r  at   th e  Fac ulty   of  Com puting  &  Inform at i c s ,   Multi m edi a   Univer sit y ,   Mal a y si a.  Her  rese a rch   intere sts  in c lude   imag e  and   signal   pro ce ss i ng  foc using  on   biomedic a l  field .   More  spec i fically ,   her   work  exa m ine s  how  image  and  sign al   proc essing  te chn ique s  cou l d  cont ribu te   to wards  bet t er  a nd  m ore   eff i cient  wa y s  of  a naly z ing  and  under standi ng  m edi c al   images  a nd  signal s.  Apart   from   tha t,   her   rese arc h  in te r est   al s o  inc lude s  assistive   te chno l ogie s for  p eople w it h  disab il i ti es.         W an  Mim i  Di y a na  W an  Za k i  ob ta in ed  her   B ac h el or  degr ee   ( El e ct roni cs  Engi ne e ring)  in  2000,   Master   degr ee   ( Engr.   Sc . )  in   20 05  and  PhD   de gre e  in  2012,   all  from     Multi m edi a  Univ ersi t y   (MM U),  C y ber j a y a,  Malay si a.  She  is  cu rre nt l y   a   rese ar che r   and  senior  l ec tur er  a t  the  Centre  of   Inte gra te d  S y st e m s  Engi nee ring  and  Advanc ed  T ec hnolog y   (INT EGRA),  Univer siti   Keba ngsa an  Malay s ia   (UK M),  which  she   joi ned  in  200 8.   Her  rese a rch   spec ialisation  i s  in  biome dic al   engi ne eri ng,   an d  her   rese arc h  i nte rests  include   int el l ige n t  s y st ems ,   image  proc essing  and  IoT  rel a te d  h ealthcar e  t ec hnolog 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       Ret ina l  blood v essel  segme ntat ion  fr om reti nal i m ag e  usi ng  B - CO SF IRE a nd ad a ptive   . ...   ( Aziah Al i)   1207     A ini   Hus sain  o bta in ed  her   B. Sc.   in  Elec tr ical  Engi ne eri ng  fro m   Loui siana   Stat e  Univer si t y   (LSU),  Bat on   R ouge,   US A;  M. Sc.   i n   S y st ems   and  Contro l  fro m   the   Unive rsit y   o f  Manc h este r   Instit ute   of  Science   and  Techno log y   (UM IST),   Manc heste r ,   U. K.,   and  Ph.D.  in  El ec t rical  and   El e ct roni c  Eng i nee ring   from   th e  Nati on al  Uni ver sit y   of  Ma lay sia   in  1985 ,   1 991  and  1997 ,   respe ctively .   Sh e  is  a  Profess or  and  cur r entl y ,   th e  Cha ir  of   the  I NTEGRA  rese ar ch  c ente r   a lso  known  as  “ Cen tre   for  Inte gr ated  S y stems   Engi nee r ing  and  Advanc ed  T ec h nologi es”   Her   rese arc h ,   for  w hic h  she  has  r ec e ive d  funding ,   foc uses  on  In te lligent  S y st ems   and  Im age   Proce ss ing.   H er  cur ren t  r ese arc h  int er ests  are   in  m ac hine   learni n g,   pat t ern   rec og nit ion  and  vid eo   &  image   proc essing.         Evaluation Warning : The document was created with Spire.PDF for Python.