Yuanjie Zheng, Professor, Shandong Normal University

 

郑元杰，教授，山东师范大学教授

 

 

Title: Quantifying Parameters of Macular Drusen from Color Fundus Photography

 

for Automated Classification of Age-Related Macular Degeneration

 

 

Abstract：

 

Drusen are a risk factor for the development of advanced Age-related Macular Degeneration (AMD). They appear as whitish-yellow 

 

deposits of extra-cellular material in the macula. Drusen parameters (e.g., number, size, area) are predictive of AMD’s progression 

 

and manual assessments of these drusen characteristics are leveraged as criteria in clinical trials. Automated algorithm for quantifying 

 

drusen parameters from color fundus photographs (CFP) may provide a useful alternative to manual works and is potentially a 

 

valuable tool for automated grading of AMD severity.

 

I will present a CFP-based automated drusen detection algorithm developed by our group. It outperforms the current state-of-the-art 

 

as represented by the STARE approach (Brandon et al.) and the HALT operator (Rapantzikos et al.). The reliable performance of 

 

our algorithm comes from its incorporation of a set of optimal descriptors of multi-scale local image geometric and photometric 

 

properties into the drusen detection process, and the fact that we deploy effective fundus image preprocessing procedures.

 

 

Brief Bio:

 

I am presently working as both a professor and a vice-dean of the School of Information Science and Technology at Shandong 

 

Normal University. I am also a Taishan Scholar directing the Center for Vision Computing and Translational Informatics at Shandong 

 

Normal University. I used to be a Senior Research Investigator serving the Perelman School of Medicine at the University of 

 

Pennsylvania and the primary lead for the Image Analysis Core of the Penn Vision Research Center. My research is in the fields of 

 

computer vision, computational photography, medical image analysis and machine learning. I have experienced in research involving 

 

image segmentation, image matting, camera calibration, image registration, object recognition, quantitative imaging biomarkers, 

 

characterization and validation of imaging biomarkers, risk prediction, semi-supervised learning, and reconstruction of 3-D structures 

 

from 2-D images. My ultimate goal is to enhance patient care by creating algorithms for automatically quantifying and generalizing the 

 

information latent in various medical images for tasks such as disease analysis and surgical planning, through the applications of 

 

computer vision and machine learning approaches to medical image analysis tasks and development of strategies for image-guided 

 

intervention/surgery.