Iris segmentation

Abstract

Accurate iris image segmentation is crucial to a range of proposed medical diagnosis and treatment systems. Previous models have worked well with healthy eye images but do not generalize to diseased eye images. We work with a dataset where many subjects have eye diseases or deformities. We analyse the performance of the U-Net, a deep learning architecture for semantic segmentation. Our model was trained on a hand-annotated dataset and tuned to generalise on unseen images. Our model achieves a pixel accuracy of 0.8913 on the test set with a relatively short training time. 1

Přesná segmentace obrazu duhovky je nezbytná pro řadu navrhovaných lékařských di- agnostických a léčebných systémů. Předchozí modely fungovaly dobře s obrázky zdravých očí, ale nezobecňují na obrázky nemocných očí. Pracujeme se souborem dat, kde má mnoho subjektů oční onemocnění nebo deformity. Analyzujeme výkon U-Net, architek- tury hlubokého učení pro sémantickou segmentaci. Náš model byl trénován na ručně anotovaném souboru dat a vyladěn tak, aby zobecnil na neviditelných obrázcích. Náš model dosahuje pixelové přesnosti 0,8913 na testovací sadě s relativně krátkou dobou tréninku. 1