English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

The World Health Organization (WHO) considers glaucoma as the second major cause of blindness all over the world. There are several machine learning techniques that can assist in the detection of glaucoma through retinal images analyses. In this paper, we evaluated three combinations: ten different color space channels, two feature extractors (HOG and LBP) with three different parameters each one, and six different machine learning algorithms. The best results for the Drishti database were achieved in 4 different combinations, indicating that both the HOG and the LBP discriminate textures, and that the SVM classifier, with kernel RBF or linear, reached an accuracy of 88.23%. Resumo. A Organização Mundial da Saúde (OMS) considera o glaucoma como a doença ocular crônica que é a segunda maior causa de cegueira no mundo. Existem diversas técnicas de aprendizado de máquina que podem auxiliar na detecção do glaucoma. Neste artigo, avaliamos três combinações: dez diferentes canais de espaço de cores, dois extratores de caracterı́sticas (HOG e LBP) com três diferentes parâmetros em cada e cinco diferentes algoritmos de aprendizado de máquina. Os melhores resultados na base de dados Drishti foram alcançados em 4 combinações diferentes, indicando que tanto o HOG quanto o LBP discriminam texturas, e que o classificador SVM, com kernel RBF ou linear, atingem acurácia de 88,23%.

Comparação das Técnicas de Extração de Características HOG e LBP para Deteção de Glaucoma em Retinografias