Esta dissertação apresenta o desenvolvimento e avaliação de um método para a segmentação de vasos sangüíneos em imagens de retina, em que se usa a transformada wavelet contínua bidimensional combinada com classificação supervisionada. A segmentação dos vasos é a etapa inicial para a análise automática das imagens, cujo objetivo é auxiliar a comunidade médica na detecção de doenças. Entre outras doenças, as imagens podem revelar sinais da retinopatia diabética, uma das principais causas de cegueira em adultos, que pode ser prevenida se detectada em um diagnóstico precoce. A abordagem apresentada consiste na geração de segmentações pela classificação supervisionada de pixels nas classes "vaso" e "não vaso". As características usadas para classificação são obtidas através da transformada wavelet contínua bidimensional usando a wavelet de Gabor. Resultados são avaliados nos bancos públicos DRIVE e STARE de imagens coloridas através da análise ROC ("receiver operating characteristic", ou característica de operação do receptor). O método atinge áreas sob curvas ROC de 0.9614 e 0.9671 nos bancos DRIVE e STARE, respectivamente, ligeiramente superiores àquelas apresentadas por outros métodos do estado da arte. Apesar de bons resultados ROC, a análise visual revela algumas dificuldades do método, como falsos positivos ao redor do disco óptico e de patologias. A wavelet de Gabor mostra-se eficiente na detecção dos vasos, superando outros filtros lineares. Bons resultados e uma classificação rápida são obtidos usando o classificador bayesiano em que as funções de densidade de probabilidade condicionais às classes são descritas por misturas de gaussianas. A implementação do método está disponível na forma de "scripts" código aberto em MATLAB para pesquisadores interessados em detalhes de implementação, avaliação ou desenvolvimento de métodos.

This dissertation presents the development and evaluation of a method for blood vessel segmentation in retinal images which combines the use of the two-dimensional continuous wavelet transform with supervised classification. Segmentation of the retinal vasculature is the first step towards automatic analysis of the images, aiming at helping the medical community in detecting diseases. Among other diseases, the images may reveal signs of diabetic retinopathy, a leading cause of adult blindness, which can be prevented if identified early enough. The presented approach produces segmentations by supervised classification of each image pixel as "vessel" or "nonvessel", with pixel features derived using the two-dimensional continuous Gabor wavelet transform. Results are evaluated on publicly available DRIVE and STARE color image databases using ROC (receiver operating characteristic) analysis. The method achieves areas under ROC curves of 0.9614 and 0.9671 on the DRIVE and STARE databases, respectively, being slightly superior than that presented by state-of-the-art approaches. Though good ROC results are presented, visual inspection shows some typical difficulties of the method, such as false positives on the borders of the optic disc and pathologies. The Gabor wavelet shows itself efficient for vessel enhancement, outperforming other linear filters. Good segmentation results and a fast classification phase are obtained using the Bayesian classifier with class-conditional probability density functions described as Gaussian mixtures. The method's implementation is available as open source MATLAB scripts for researchers interested in implementation details, evaluation, or development of methods.