Proyecto Fin de Carrera Ingeniería de...

Equation Chapter 1 Section 1

Proyecto Fin de Carrera

Ingeniería de Telecomunicación

Detección del borde del disco óptico en retinografías

basadas en level set con caracterización de color y textura

Autora: Victoria de Castro García

Tutora: Irene Fondón García

Dep. Teoría de la Señal y Comunicaciones

Escuela Técnica Superior de Ingeniería

Universidad de Sevilla

Sevilla, 2015

iii

Proyecto Fin de Carrera

Ingeniería de Telecomunicación

Detección del borde del disco óptico en retinografías

basadas en level set con caracterización de color y textura

Autora:

Victoria de Castro García

Tutora:

Irene Fondón García

Profesora contratada doctora

Dep. de Teoría de la Señal y Comunicaciones

Escuela Técnica Superior de Ingeniería

Universidad de Sevilla

Sevilla, 2015

v

Proyecto Fin de Carrera: Detección del borde del disco óptico en retinografías basadas en level set con

caracterización de color y textura

Autora: Victoria de Castro García

Tutora: Irene Fondón García

El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros:

Presidente:

Vocales:

Secretario:

Acuerdan otorgarle la calificación de:

Sevilla, 2015

El Secretario del Tribunal

vii

Paso corto, vista larga y mala

leche.

A vosotros

ix

Agradecimientos

Ahora que finaliza esta etapa de mi vida, creo necesario acordarme de los que siempre estuvieron ahí.

Por un lado, agradecer a mi tutora, Irene, todo el apoyo brindado en este proyecto. Por saber comprender

que estaba en una época en la que tenía que compaginar muchas cosas, por darme mi espacio y por

apoyarme y ayudarme en todo momento con la alegría y el positivismo que la caracteriza.

En segundo lugar a mis padres y mi hermana, por darme su apoyo, su comprensión, mi espacio cuando lo

necesitaba, y por intentar comprender donde estaba metida y que no les podía dedicar todo el tiempo que

me reclamaban. Nunca podré agradeceros todo el apoyo y el esfuerzo que habéis hecho por mí. Habéis

sido mi motivación en todo momento y una de las principales razones por las que ahora mismo estoy

poniendo punto y final a esta larga y difícil etapa. Al fin y al cabo, este proyecto comenzó a gestarse con

una conversación entre hermanas en una sala de espera, en tiempos difíciles.

A las personas que perdí en el camino pero que dejaron su presencia en la formación de mi carácter y mis

primeros valores. Quienes a temprana edad me brindaron su apoyo y me permitieron aprender lo esencial

para la vida. Quienes siempre estuvieron ahí, y aunque ya no estén se encargaron de dejar una huella

profunda para sentirlos cerca cada día. Quienes echo de menos día tras día y sé que estarían orgullosos.

A ti, que hiciste el camino más fácil. Porque cada lágrima a tu lado fue menos amarga, porque las alegrías

compartidas fueron más dulces, por todos esos momentos en los que las fuerzas flaqueaban y

conseguíamos sacarlas juntos, porque este camino ha sido compartido en todo momento, en su parte triste

y en su parte más amable, por ayudarme a ver la luz y el final. Por todo el apoyo que nos hemos brindado,

y saber entender que necesitaba en cada momento. No sé si he sabido decirte y demostrarte lo mucho que

te quiero, te he querido y te querré. Gracias.

Y por último a todas las personas que he perdido en el camino debido a esta etapa, y a los que todavía me

siguen aguantando, aquellas personas que creyeron que no llegaría al final, y por aquellas que me

mostraron su apoyo en todo momento, día a día, aunque las cosas se tornaran oscuras y no se viera la luz.

Gracias a todos ellos porque han forjado mi carácter, y me han hecho ser quién soy hoy en día. Porque

hay cosas que nunca cambian, y algunas que sí.

xi

Resumen

El objetivo de este proyecto es obtener un método automático para la segmentación del disco óptico en

retinografías, basado en los componentes de color y textura. La utilidad principal de este proyecto es de ser un

instrumento útil para las disciplinas médicas para detectar posibles casos de glaucoma o retinopatía diabética.

Este proyecto está basado en un artículo, publicado en la revista IEEE Transactions on medical image, llamado

“Optic Disk and Cup Segmentation From Monocular Color Retinal Images for Glaucoma Assessment”[1],

cuyos autores son: Gopal Datt Joshi, Jayanthi Sivaswamy y S.R. Krishnadas. En este artículo se expone un

método novedoso de extracción del disco óptico y la excavación, basada en la curvatura de los vasos

sanguíneos. En este proyecto nos vamos a centrar en el apartado del disco óptico.

Este artículo nos presenta como novedad la implementación de un algortimo basado en la textura de la imagen,

no solo en el color como era habitual hasta este momento. La textura la proporcionará distintos algoritmos y

filtros aplicados a la imagen.

Por último, se realizarán cálculos estadísticos para cuantificar la sensibilidad y la robustez del método

propuesto, tras realizar una batería de pruebas en 55 retinografías pertenecientes a dos bases de datos distintas,

estando los resultados certificados por un especialista previamente.

xiii

Abstract

The objective of this project is to obtain an automatic method for segmentation of the optic disc in retinal,

based on color and texture components. The main utility of this project is to be a useful tool for medical

disciplines to detect possible cases of glaucoma or diabetic retinopathy instrument.

This project is based on an article, published in the journal IEEE Transactions on medical image, called "Optic

Disk Cup and Segmentation From Monocular Color Retinal Images for Glaucoma Assessment"[1], authored

by: Gopal Datt Joshi, Jayanthi Sivaswamy and SR You krishnadas. In this paper a novel method for extracting

the optical disc and excavation based on the curvature of blood vessels exposed. In this project we will focus

on the section of the optical disc.

This article presents novelty implementing a system based on image texture algorithm, not only in color as

usual until now. The texture will be provided by different algoritms and filters applied to the image.

Finally, statistical calculations were performed to quantify the sensitivity and robustness of the proposed

method, after performing a battery of tests on 55 retinographies belonging to two different databases, the

results being certified specialist beforehand.

Índice

Agradecimientos ix

Resumen xi

Abstract xiii

Índice xiv

Índice de Figuras xvi

Notación xviii

1 Introducción 1 1.1 Objetivo 1 1.2 El ojo 1

1.2.1 Fondo del ojo 2 1.2.2 Principales defectos y enfermedades del ojo 2

1.3 Glaucoma 3

2 Estado del arte 7 2.1 Segmentación basada en la transformada de Hough 7 2.2. Contornos activos 8 2.3. Método de Chan Vese 8

3 Utilidad de la segmentación 11 3.1 Monocular CFI 11 3.2 Importancia de la segmentación del disco óptico 11

4 Algoritmo implementado 11 4.1 Localización del disco óptico 12 4.2 Eliminación de vasos sanguíneos 12 4.3 Inpainting 14 4.4 Segmentación en el plano multi-dimensional 14

4.4.1 Filtro gaussiano 14 4.4.2 Filtro de Gabor 14

4.5 Método de Chan-Vese 15 4.6 Interpolación 15 4.7 Cálculo de estadísticas 15

5 Resultados 17 5.1 Resultado nº 1. 18 5.2 Resultado nº 2 20 5.3 Resultado nº 3 22 5.4 Resultado nº 4 24 5.5 Resultado nº 5 26 5.6 Resultado nº 6 28 5.7 Resultado nº 7 30 5.8 Resultado nº 8 32 5.9 Resultado nº 9 34 5.10 Resultado nº 10 36

xv

5.11 Resultado nº 11 38 5.12 Resultado nº 12 40 5.13 Resultado nº 13 42 5.14 Resultado nº 14 44 5.15 Resultado nº 15 46 5.16 Resultado nº 16 48 5.17 Resultado nº 17 50 5.18 Resultado nº 18 52 5.19 Resultado nº 19 54 5.20 Resultado nº 20 56

6 Resultados Globales 58

7 Conclusiones y Líneas futuras 59

Referencias 60

ÍNDICE DE FIGURAS

Figura 1-1. Partes del ojo. 1

Figura 1-2. Retinografía. 2

Figura 1-3. Segmentación del disco óptico. 4

Figura 1-4. Retinografía de un ojo con glaucoma. 4

Figura 1-5. Visión de un paciente con glaucoma 5

Figura 2-1. Segmentación del disco óptico mediante la transformada de Hough 7

Figura 2-2. Resultados del método de Chan-Vese con diferentes valores de µ 9

Figura 2-3. Resultados del método de Chan-Vese con diferentes valores de υ 9

Figura 2-4. Resultados del método de Chan-Vese con diferente número de iteraciones. 10

Figura 4-1. Imagen descompuesta en los planos de color 12

Figura 4-2. Centro y radio del disco óptico obtenido por la transformada de Hough 12

Figura 4-3. Preprocesado. 13

Figura 4-4. Líneas centrales. 13

Figura 4-5. Máscara final. 13

Figura 4-6. Inpainting. 14

Notación

A* Conjugado

c.t.p. En casi todos los puntos

c.q.d. Como queríamos demostrar

∎ Como queríamos demostrar

e.o.c. En cualquier otro caso

e número e

IRe Parte real

IIm Parte imaginaria

sen Función seno

tg Función tangente

arctg Función arco tangente

sen Función seno

sinxy Función seno de x elevado a y

cosxy Función coseno de x elevado a y

Sa Función sampling

sgn Función signo

rect Función rectángulo

Sinc Función sinc

∂y ∂x

x◦

Derivada parcial de y respecto

Notación de grado, x grados.

Pr(A) Probabilidad del suceso A

SNR Signal-to-noise ratio

MSE Minimum square error

: Tal que

< Menor o igual

> Mayor o igual

\ Backslash

⇔ Si y sólo si

1

1 INTRODUCCIÓN

1.1 Objetivo

El análisis automático de las retinografías está surgiendo como una herramienta importante para la detección

temprana de enfermedades oculares. El glaucoma es una de las causas más comunes en la ceguera. El examen

manual del disco óptico es el procedimiento estándar para la detección del glaucoma. En este proyecto se

presenta una técnica de parametrización automática basada en la segmentación del disco óptico obtenido de

retinografías. En este método se integra la información local alrededor de cada punto de interés en el espacio

multi dimensional para aportar robustez contra las variaciones encontradas en la región del disco óptico.

1.2 El ojo

Los ojos son órganos visuales que detectan la luz y la convierten en impulsos electroquímicos que viajan a

través de neuronas. El ojo es un sistema óptico complejo que capta la luz de los alrededores, regula su

intensidad a través de un diafragma (pupila), enfoca el objetivo gracias a una estructura ajustable de lentes

(cristalino) para formar la imagen, que luego convierte en un conjunto de señales eléctricas que llega al cerebro

a través de rutas neuronales complejas que conecta mediante el nervio óptico el ojo a la corteza visual y otras

áreas cerebrales.

Su forma es aproximadamente esférica, mide 2,5 cm de diámetro, y está lleno de un gel transparente llamado

humor vítreo que rellena el espacio comprendido entre la retina y el cristalino. En la porción anterior del ojo se

encuentran dos pequeños espacios: la cámara anterior que está situada entre la córnea y el iris, y la cámara

posterior que se ubica entre el iris y el cristalino. Estas cámaras están llenas de un líquido que se llama humor

acuoso, cuyo nivel de presión, llamado presión intraocular, es muy importante para el correcto funcionamiento

del ojo.

Figura 1-1. Partes del ojo.

Nunca consideres el estudio como una obligación, sino

como una oportunidad para penetrar en el bello y

maravilloso mundo del saber.

- Albert Einstein -

Introducción

2

Para que los rayos de luz que penetran en el ojo se puedan enfocar en la retina, se deben refractar. La cantidad

de refracción requerida depende de la distancia del objeto al observador. Un objeto distante requerirá menos

refracción que uno más cercano. La mayor parte de la refracción ocurre en la córnea, que tiene una curvatura

fija. Otra parte de la refracción requerida se da en el cristalino. El cristalino puede cambiar de forma,

aumentando o disminuyendo así su capacidad de refracción. Al envejecer, el ser humano va perdiendo esta

capacidad de ajustar el enfoque, deficiencia conocida como presbicia.

El órgano de la visión está compuesto por los párpados, los globos oculares, el aparato lagrimal y

los músculos oculares externos. El globo ocular mide unos 25 mm de diámetro y se mantiene en su

posición gracias a los músculos extraoculares. La visión binocular, con la participación de ambos ojos,

permite apreciar las imágenes en tres dimensiones.

La pared del ojo está formada por tres capas:

La capa externa, que incluye la esclerótica (espesa, resistente y de color blanco) y en la parte anterior

la córnea transparente.

La capa media, incluye coroides, que contiene abundantes vasos sanguíneos, y el tejido

conjuntivo del cuerpo ciliar y el iris.

La capa interna se llama retina, en la que se encuentran las células sensibles a la luz (los bastones y los

conos), recubiertas por una lámina externa de células epiteliales cúbicas que contienen melanina.

Externamente, la retina descansa sobre la coroides; internamente, está en contacto con el humor vítreo.

1.2.1 Fondo del ojo

Para explorar el fondo de ojo, el médico se sirve de un oftalmoscopio e instila en el ojo una sustancia que

dilata las pupilas. De esta forma puede observar las porciones internas del órgano, la retina y sus vasos

sanguíneos, la papila óptica, la coroides y el humor vítreo, así como detectar diversas enfermedades,

como un desprendimiento de retina o signos dehipertensión arterial o diabetes que a veces se reflejan en

la retina.

Figura 1-2. Retinografía.

En este examen pueden visualizarse múltiples anomalías, algunas de las más usuales son las hemorragias

en la retina y la presencia de exudados de diferentes tipos. Muchas enfermedades no oculares dan

manifestaciones características que son detectables mediante esta exploración.

1.2.2 Principales defectos y enfermedades del ojo

Ceguera: pérdida total o muy severa de la capacidad visual. Una persona ciega es incapaz de percibir

la forma de los objetos, aunque puede conservar una mínima función que le permita distinguir entre

luz y oscuridad. Según datos de la OMS, en el mundo existen 45 millones de personas ciegas, la

mayoría de las cuales viven en países en vías de desarrollo. A nivel mundial, las principales causas

http://es.wikipedia.org/wiki/Musculatura_extr%C3%ADnseca

http://es.wikipedia.org/wiki/Globo_ocular

http://es.wikipedia.org/wiki/Escler%C3%B3tica

http://es.wikipedia.org/wiki/C%C3%B3rnea

http://es.wikipedia.org/wiki/Coroides

http://es.wikipedia.org/wiki/Vasos_sangu%C3%ADneos

http://es.wikipedia.org/wiki/Tejido_conjuntivo

http://es.wikipedia.org/wiki/Tejido_conjuntivo

http://es.wikipedia.org/wiki/Cuerpo_ciliar

http://es.wikipedia.org/wiki/Iris

http://es.wikipedia.org/wiki/Retina

http://es.wikipedia.org/wiki/C%C3%A9lulas

http://es.wikipedia.org/wiki/Melanina

http://es.wikipedia.org/wiki/Oftalmoscopio

http://es.wikipedia.org/wiki/Desprendimiento_de_retina

http://es.wikipedia.org/wiki/Hipertensi%C3%B3n_arterial

http://es.wikipedia.org/wiki/Diabetes

3

3 Detección del borde del disco óptico en retinografías basadas en level set con caracterización de color y textura

son: catarata (48%), glaucoma (12%), degeneración macular asociada con la edad (9%), opacidad de

la córnea (5%), retinopatía diabética (5%).

Miopía: Es un defecto del ojo en el que el punto focal se forma delante de la retina, en lugar de en la

misma retina como sería normal. Esta anomalía ocasiona dificultad para ver de lejos. El sujeto verá

mal todo aquel objeto situado a partir de una cierta distancia. La causa más frecuente es el aumento

del diámetro anteroposterior del globo ocular.

Hipermetropía: es un defecto del ojo, en el cual los rayos de luz que inciden en el mismo

procedentes del infinito, forman el foco en un punto situado detrás de la retina. Se trata por lo tanto de

un defecto refractivo inverso al de la miopía. A diferencia de la miopía no es progresiva y tampoco

suele producir complicaciones.

Astigmatismo: es un defecto de refracción que se produce debido a que existe diferente capacidad de

refracción entre dos meridianos oculares y en consecuencia los objetos se ven desenfocados.

Generalmente está originado por una curvatura irregular en la zona anterior de la córnea, de tal forma

que la refracción del meridiano vertical es diferente a la del horizontal.

Catarata: es una opacidad del cristalino (la lente del ojo) que pierde su transparencia habitual. Como

consecuencia la luz penetra con dificultad en el ojo, lo cual ocasiona pérdida de visión progresiva, que

puede llegar a ser total, si no se realiza el tratamiento adecuado. Este consiste en una intervención

quirúrgica mediante la cual se extirpa el cristalino y se coloca en su lugar una lente intraocular.

Glaucoma: es una enfermedad ocular causada por la elevación de la presión intraocular del ojo. La

presión intraocular está determinada por el equilibrio entre la producción y reabsorción del humor

acuoso. Si el canal por donde se drena el humor acuoso se obstruye, el líquido no se elimina y la

presión intraocular aumenta en exceso. El glaucoma es una afección que puede ser grave. Si no se

trata a tiempo, puede generar la pérdida de la visión. Será deallado en el apartado siguiente.

1.3 Glaucoma

El glaucoma es una de las causas más comunes de ceguera con una previsión de 79 millones de personas

afectadas en el año 2020. Esta enfermedad está caracterizada por la degeneración progresiva del nervio óptico

y cambios en la estructura de éste el cual afecta al disco óptico, la capa del nervio y un fallo del campo de

visión. Por lo tanto, el glaucoma es asintomático en las fases tempranas y las pérdidas de visión no pueden ser

recuperadas. Es el diagnóstico temprano el que nos puede ayudar a prevenir daños visuales.

El disco óptico está situado en la salida del ganglio del ojo que forma el nervio óptico a través del cual,

mediante los fotoreceptores, se forma la imagen. El disco óptico se puede dividir en dos zonas: una zona

central brillante llamada la ‘excavación’ y una región perimetral que es la que confoma el disco óptico.Una

pérdida en las fibras del nervio óptico derivan en un cambio en la apariencia del disco óptico, así mismo, se

alarga la región de la excavación.

http://es.wikipedia.org/wiki/Cristalino

http://es.wikipedia.org/wiki/Lente_intraocular

http://es.wikipedia.org/wiki/Presi%C3%B3n_intraocular

http://es.wikipedia.org/wiki/Humor_acuoso

Introducción

4

Figura 1-3. Segmentación del disco óptico.

En la mayoría de los tipos de glaucoma, el sistema de drenaje del ojo se tapa y el fluido intraocular no puede

drenar. Al acumularse, causa un aumento de presión en el interior del ojo que daña al nervio óptico que es muy

sensible, llevando a la pérdida de la visión. En el ojo existen millones de fibras nerviosas que van desde su

retina al nervio óptico, las cuales se juntan en el disco óptico. Conforme aumenta la presión del fluido dentro

de su ojo, daña estas fibras nerviosas que son muy sensibles y empiezan a morir.Al ocurrir esto, el disco óptico

comienza a hacerse hueco rechazando las fibras del nervio óptico, el cual adoptará la forma de copa o curva. Si

la presión se mantiene muy alta por demasiado tiempo se puede dañar el nervio óptico, resultando en pérdida

de la visión.

El glaucoma suele estar presente en ambos ojos, pero por lo general la presión intraocular se empieza a

acumular primero en uno solo. Este daño puede causar cambios graduales en la visión y, posteriormente,

pérdida de la misma. Con frecuencia, la visión periférica (lateral) se afecta primero, por lo que inicialmente el

cambio de la visión suele ser pequeño y no se nota. Con el tiempo, la visión central (directa) también se

empezará a perder.

Figura 1-4. Retinografía de un ojo con glaucoma.

En la forma más común del glaucoma, la acumulación de la presión del fluido ocurre lentamente. Con

frecuencia, no hay síntomas molestos o dolorosos. En las variedades menos frecuentes de glaucoma los

síntomas pueden ser más severos, e incluye los siguientes:

Visión borrosa

Dolor de ojos y de cabeza

Náuseas y vómito

5


La aparición de halos color arcoiris alrededor de las luces brillantes

Pérdida repentina de la visión

Figura 1-5. Visión de un paciente con glaucoma

El glaucoma puede afectar a las personas de todas las edades, desde los bebés hasta los adultos mayores.

Aunque todos estamos a riesgo, las personas con mayor riesgo para el glaucoma son los mayores de 60 años,

los parientes de personas con glaucoma, las personas de ascendencia africana, los diabéticos, los que usan

esteroides de manera prolongada y las personas con presión intraocular elevada (hipertensos oculares).

Los investigadores y los médicos todavía no están seguros de por qué los canales de drenaje del ojo dejan de

funcionar correctamente. Lo que sí sabemos es que el glaucoma no se desarrolla por leer mucho, leer con poca

luz, por la dieta, por usar lentes de contacto, ni por otras actividades cotidianas.También sabemos que el

glaucoma no es contagioso ni amenaza la vida y rara vez causa ceguera si se detecta a tiempo y se trata

correctamente.

Los médicos recomiendan que la revisión para glaucoma constituya parte de los exámenes oculares de rutina

en niños, adolescentes y adultos.Todas las personas deben hacerse exámenes integrales para despistaje de

glaucoma alrededor de los 40 años, posteriormente cada dos o cuatro años. Si se posee mayor riesgo para

desarrollar la enfermedad, debe hacerse el examen cada uno o dos años a partir de los 35 años de edad.

La pérdida de visión causada por el glaucoma es irreversible, pero si se detecta a tiempo y se sigue un

tratamiento con cuidado y constancia, se puede conservar la visión. Por lo general, el glaucoma se puede

controlar con medicamentos o cirugía. Si se le diagnostica esta enfermedad, es importante que siga un plan de

tratamiento sin faltas.

Por todo ello, es importante la detección del glaucoma, lo cual se intenta desarrollar y mejorar en este

proyecto.

Introducción

6

7

2 ESTADO DEL ARTE

ARA la detección del glaucoma se suele utilizar el historial médico, la presión intraocular y las pruebas

de la pérdida del campo visual del paciente junto con la valoración manual del disco óptico. Aunque el

alargamiento de la excavación respecto al disco óptico es un indicador importante de la progresión del

glaucoma, varios parámetros son tenidos en cuenta para observar el estadio del glaucoma. Estos parámetros

incluyen el diámetro y el área del disco óptico, el diámetro de la excavación, la profundidad media de la

excavación, etc. La subjetividad en la estimación manual de los parámetros de la excavación se compensa

usando procedimientos avanzados. Estos métodos proporcionan una información de profundidad 3D y la

forma y color. El contorno del disco óptico es marcado manualmente por los expertos para obtener esos

parámetros. Así mismo, se están implementando diferentes soluciones CAD para su automatización. A

continuación se especifican los métodos conocidos en la actualidad.

2.1 Segmentación basada en la transformada de Hough

La transformada de Hough es un algoritmo empleado en reconocimiento de patrones que permite encontrar

ciertas formas dentro de una imagen, tales como líneas, círculos, etc. Explícitamente, la transformada de

Hough circular sirve para la detección de los círculos, los cuales pueden ser descritos mediante su centro y su

radio. Para la detección del disco óptico con este método se utiliza el canal rojo de la imagen en el modelo de

color RGB.

Para evitar circunferencias espúreas obtenidas con la transformada de Hough producto de otros objetos

circulares en la imagen como pueden ser el marco alrededor de la misma imagen de retina, la conjunción de

exudados, etc, es necesario poner límites en el radio, diámetro u otras condiciones.

Figura 2-1. Segmentación del disco óptico mediante la transformada de Hough

Trabajos que utilizan la transformada de Hough circular arrojan resultados con precisiones entre el 72% y

97.5%, lo que demuestra que es un método eficiente y robusto para la detección del disco óptico.

Existe también la transformada de Hough modificada, en los cuales unimos el método de contornos activos

con la transformada. No obstante, aun contando con estos métodos, el algoritmo de contornos activos pueden

fallar y cambiar la polaridad de la segmentación. Esto quiere decir que en lugar de ir cerrando paulatinamente

el contorno claro y detectar el disco, puede abrirse y salirse del margen de la circunferencia resultado de la

transformada de Hough modificada.

P

Estado del arte

8

2.2. Contornos activos

El primer modelo activo lo propone en 1987 Kass y desde entonces se han ido desarrolando otros modelos

basados en este. El modelo activo snake o contorno activo deformable como también se le conoce, es

presentado matemáticamente como una curva v[s]=[x(s),y(s)] que se mueve en el espacio constantemente

dentro de un número de iteraciones que se puede interpretar como una secuencia de tiempo. El parámetro s,

que está representado con ambas variables en el espacio (x,y), representa la curva ubicada en el espacio que en

este caso es la imagen de operación. Existe otro parámetro relacionado con el número de iteraciones

representadas para desenvolverse.

Los inconvenientes que presenta este método son la posibilidad de que en el proceso iterativo que establece la

ecuación, un punto de control sobrepase el contorno deseado y no pueda retomar su camino hacia el disco

óptico en el peor de los casos. Por ello existen variantes, como es el modelo de contorno activo con fuerza

externa de flujo de vector de gradiente (GVF).

Chenyang Xu propone en 1999 un modelo de contorno activo en donde expone una fuerza general con las

ventajas de que los puntos de control se puden ubicar en puntos lejanos al contorno y que se puedan cerrar

contornos que presenten concavidades.

2.3. Método de Chan Vese

Consiste en la minimización de la energía. Se parte de que la imagen está formada por dos regiones de

intensidades aproximadamente constantes, una interior al borde que define el objeto y otra exterior.

A este modelo se le añaden términos de regularización, como la longitud de la curva y el área de la región, de

tal forma que el funcional de energía quedará de la siguiente manera:

𝐹(𝑐1, 𝑐2, 𝐶) = 𝜇 · 𝐿𝑜𝑛𝑔𝑖𝑡𝑢𝑑(𝐶) + 𝜐 · Á𝑟𝑒𝑎(𝐶) + 𝜆1 ∫ |𝑢0(𝑥, 𝑦) − 𝑐1|2𝑑𝑥𝑑𝑦𝑖𝑛𝑡(𝐶)

+ 𝜆2 ∫ |𝑢0(𝑥, 𝑦) − 𝑐2|2𝑑𝑥𝑑𝑦𝑒𝑥𝑡(𝐶)

(2–1)

Con las expresiones de longitud y área, y la función escalón H(z) y delta de Dirac δ(z) se obtiene el funcional

de energía definitivo, que se pretenderá minimizar para obtener forma segmentada.

𝐹(𝑐1, 𝑐2, 𝜙) = 𝜇 ∫ 𝛿(𝜙(𝑥, 𝑦))|∇𝜙(𝑥, 𝑦)| 𝑑𝑥𝑑𝑦 +Ω

𝜈 ∫ 𝐻(𝜙(𝑥, 𝑦))𝑑𝑥𝑑𝑦Ω

+ 𝜆1 ∫ |𝑢0(𝑥, 𝑦) − 𝑐1|2𝐻(𝜙(𝑥, 𝑦))𝑑𝑥𝑑𝑦𝑖𝑛𝑡(𝐶)

+ 𝜆2 ∫ |𝑢0(𝑥, 𝑦) − 𝑐2|2(1 − 𝐻(𝜙(𝑥, 𝑦)))𝑑𝑥𝑑𝑦𝑒𝑥𝑡(𝐶)

(2–2)

El algoritmo propuesto en este proyecto consiste en una modificación de este método.

Uno de los inconvenientes que presenta el método de Chan-Vese es que solo ofrece una segmentación en dos

fases. Existen extensiones de este método las cuales han sido desarrolladas para la segmentación de curvas y

segmentación multifase.


Los parámetros más importantes son:

µ: es el parámetro más importante. Este parámetro ajusta la longitud, el cual decide entre un ajuste

más exacta (valor menor) o para seleccionar un límite más suavizado.

Figura 2-2. Resultados del método de Chan-Vese con diferentes valores de µ

υ: este parámetro establece la región del área dentro de la curva. Este solo es útil cuando hay una

segmentación interior y exterior. En la imagen a continuación se muestran la evolución después de

850 iteraciones con valores diferentes de este parámetro.

Figura 2-3. Resultados del método de Chan-Vese con diferentes valores de υ

Inicialización: el método de Chan-Vese tiene varias opciones de inicialización. Usando una región

inicial, puede ser segmentados objetos específicos. En la imagen que se muestra a continuación se

muestran tres tipos de inicialización.

Estado del arte

10

Figura 2-4. Resultados del método de Chan-Vese con diferente número de iteraciones.

11

3 UTILIDAD DE LA SEGMENTACIÓN

OMO se ha comentado en capítulos anteriores, resulta de utilidad los programas y la segmentación de

imágenes para poder clasificar y detectar los posibles glaucomas. Hasta ahora, los métodos eran

manuales, es decir, el especialista con la retinografía señalaba de forma totalmente subjetiva el disco

óptico. El algoritmo y la segmentación propuestos tiene como objetivo ayudar y diagnosticar posibles

glaucomas y retinopatías diabéticas.

Las retinografías se obtienen de una manera no invasiva. El objetivo es realizar un programa que, de manera

automática, pueda decidir si hay sospechas o no de la enfermedad. Existen estudios para detectar el glaucoma

automáticamente en imágenes 3-D. Sin embargo, debido a su alto coste es inviable para los centros de atención

primaria. Por lo tanto, el objetivo de este proyecto es desarrolar un sistema de preprocesado para detectar

glaucoma usando CFI (color fundus images) de forma no invasiva y totalmente automática, que pueda usarse

en estos centros con un coste bajo.

En este proyecto, nos centramos en la parametrización del disco óptico de monoculares CFI.

3.1 Monocular CFI

Este método nos proporciona una proyección 2D de la estructura de la retina, donde el disco óptico aparece

como una región brillante circular o elíptica, parcialmente oculto por los vasos sanguíneos. El nervio óptico

converge en el disco óptico y forma una zona llamada “excavación”. La segmentación del disco óptico es una

tarea complicada debido a la cantidad de vasos sanguíneos que se encuentran a su alrededor. Los especialistas

médicos usan la apariencia y su conocimiento anatómico paradeterminar la región dada solo por una imagen

monocular, detectando así el glaucoma.

Este conocimiento médico ha sido aplicado para métodos automáticos de detección con la estimación del ratio

del diámetro cup-to-disk. Este método se ha demostrado que es inconsistente en la mayoría de los discos

ópticos dañados por el glaucoma. De hecho, algunas pacientes tienen un ratio CDR pequeño con una pequeña

pérdida del campo de visión y otros con un coeficiente CDR alto y también una pequeña pérdida. Esto es

debido a que el ratio no puede tener en cuenta algunas configuraciones de la excavación óptica. Por lo tanto, se

ha incluido un nuevo método para la detección del glaucoma, basado en el daño que existe en el disco óptico.

3.2 Importancia de la segmentación del disco óptico

Debido a lo anteriormente expuesto, una precisa segmentación del disco óptico y de la excavación es esencial

para una mejor localización del borde neurorretiniano (neuroretinal rim) para permitir nuevos métodos de

evaluación que consideran otros factores además del ratio CDR, comentado en el apartado anterior. El

esquema propuesto de la segmentación del disco óptico consiste en dos métodos nuevos. Es un método

robusto a las variaciones cercanas a la región del disco óptico.

La segmentación del disco óptico no está limitado a la detección de glaucomas. Es una tarea fundamental para

el procesado de imágenes de retina y para medidas de la retinopatía diabética.

Como hemos comentado en el capítulo anterior, anteriormente se había modelado el disco óptico con forma

circular o elíptica. Esta aproximación es utilizada para extraer el borde del disco óptico. Esta aproximación no

tiene en cuenta los vasos sanguíneos alrededor del disco óptico. Para contrarrestarlo, se puede realizar un paso

de preprocesado consistente en suprimir esos vasos. El contorno circular es mejorado considerando la

información de intensidad de la parte exterior e interior de la imagen.

C

Utilidad de la segmentación

12

Para capturar las irregularidades del disco óptico, se utilizan diversos métodos basados en gradientes y el

active contour. En estas aproximaciones, el contorno es inicializado manualmente o automáticamente y la

deformación del contorno se realiza mediante el término de energía definido en el gradiente de la imagen. La

estrategia es aplicar el vector gradiente (GVF) basado en el modelo de active contour para la detección del

disco. Esto es mejorado con un paso de preprocesado o aplicando al resultado de la segmentación una

aproximación circular o elíptica, como la operación de ellipse fitting. Esto condiciona la forma de las

irregularidades del disco óptico, por lo que se suele aplicar una aproximación de snake.

Más recientemente, el trabajo en los active contours se ha enfocado en la aproximación de la región, basada en

el modelo Mumford-Shah (explicado en el capítulo anterior) Las ventajas de esa aproximación es la robustez

ante variaciones del gradiente, la segmentación en el color e imágenes multi-espectrales, la baja sensibilidad

para la inicialización del contorno y el ruido y la mayor capacidad de detectar concavidades en los objetos. Sin

embargo, hay ocasiones en las que no es fácil la segmentación en términos estadísticos globales, por lo que se

pueden obtener segmentaciones erróneas. Para mejorar esto, el método de Chan-Vese (C-V) ha sido

modificado para incorporar una componente circular.

En este proyecto se propondrá un nuevo modelo de segmentación del disco óptico, basado en el artículo

anteriormente descrito[1], que se basa en el modelo de región-bases para mejorar la segmentación del disco

óptico. Para ello, este modelo integra mucha información de múltiples canales y no impone ninguna constante

de forma, la cual es una buena solución para la segmentación del disco óptico.

11

Chan-Vese

4 ALGORITMO IMPLEMENTADO

n este capítulo vamos a describir el algoritmo que se ha implementado para la segmentación del disco

óptico. El método está basado en el artículo: 2.4. “Optic disk and Cup segmentation from monocular

color retinal images for glaucoma assessment”, Gopal Datt Joshi, Jayanthi Sivaswamy and S.R.

Krishnadas[1].

El artículo defiende que es posible adquirir imágenes de manera no invasiva y, mediante sistemas autómaticos

de segmentación de imágenes, es posible decidir sobre si hay posibilidad de enfermedad o no. Anteriormente,

se han publicado artículos para la detección del glaucoma sgmentando el disco óptico sin parametrización, con

parametrización usando stereo CFI y con parametrización con monocular CFI.

El método que se presenta, que será explicado detalladamente a continuación, consiste en dos novedosos

métodos de segmentación del disco óptico y de la excavación. El método propuesto es robusto a las

variaciones de las zonas alrededor del disco óptico.A continuación se muestra un diagrama en el que se detalla

los pasos a seguir y todos los puntos más relevantes.

E

Leer imagen

Cálculo de vasos (Mendonça)

Redimensionar la imagen

Extracción de vasos (inpainting)

Cálculo de filtro de Gabor

Cálculo de filtro gaussiano

Imagen filtrada

Disco óptico final

Algoritmo implementado

12

12

4.1 Localización del disco óptico

El primer paso es localizar el disco óptico y extraer la región de interés para el proceso completo. El plano rojo

presenta una buena definición del disco óptico, por lo que es una buena opción para localizarlo.

Figura 4-1. Imagen descompuesta en los planos de color

La inicialización del contorno es el paso esencial para la evolución del active contour. En este método se

realiza la localización y la inicialización realizando una transformada de Hough en el mapa.

La transformada de Hough nos da como resultado el centro de los puntos más brillantes, como se ha explicado

en el apartado anterior. Como es posible que obtengamos varios círculos, se ha tomado como criterio que el

radio del disco óptico debe ser aproximadamente 1/7 del radio del ojo.

Figura 4-2. Centro y radio del disco óptico obtenido por la transformada de Hough

4.2 Eliminación de vasos sanguíneos

Como se ha comentado en apartados anteriores, es necesario realizar la eliminación de los vasos sanguíneos.

En el artículo no especifican el modelo empleado. Detallan que son identificados mediante una técnica basada

en curvatura y que son eliminadas selectivamente con los píxeles más cercanos en ocho direcciones.

13

Detección del borde del disco óptico en retinografías basadas en level set con


Sin embargo, el método que se ha escogido en este proyecto para la eliminación de los vasos ha sido el

algoritmo Mendonça. Éste es un método de extracción de vasos, que se basa en analizar la imagen completa y

tener en cuenta ciertas características anatómicas que puedan delatar la presencia de un vaso. Es un método

automático y ofrece unos rendimientos y sensibilidad muy buenos. El inconveniente es el tiempo de

computación, ya que es complejo.

Tiene tres fases principales:

Pre-procesado: en esta fase se normaliza el fondo de la imagen y se realzan los vasos finos.

Figura 4-3. Preprocesado.

Detección de líneas centrales de vasos: se seleccionan los candidatos a líneas centrales, se unen los

puntos obtenidos y se validan, combinando los resultados y obteniendo las líneas centrales.

Figura 4-4. Líneas centrales.

Segmentación de vasos: se aplica una transformada con el objetivo de mejorar los vasos, se

reconstruyen morfológicaente y por último se hace un rellenado de vasos, con un proceso de

crecimiento de la región.

Figura 4-5. Máscara final.


14

14

4.3 Inpainting

Tras realizar la detección de los vasos, obtenemos una máscara binaria donde los vasos serán representados

por un ‘1’ y las otras zonas como zonas oscuras (‘0’). A continuación es necesario eliminarlos. Este paso se

realiza mediante un inpainting en ocho direcciones.

Este proceso consiste en realizar una serie de iteraciones en la matriz de la imagen, comparando ambas

imágenes, la máscara y la imagen RGB.

Iterativamente, se va realizando un escalado de la imagen. En cada iteración se realiza una suavización de la

imagen respecto a la máscara de los vasos que se le ha aportado. Así mismo, se calcula la diferencia entre la

imagen anterior y la obtenida actualmente. En el momento en el que la diferencia sea despreciable, se finaliza

el algoritmo.

Este paso es muy importante ya que hay que tener cuidado de no perder ningún punto de interés que pueda

perjudicar la segmentación del disco óptico.

Figura 4-6. Inpainting.

4.4 Segmentación en el plano multi-dimensional

Una de las novedades que se presentan en este proyecto es el uso de textura para la segmentación del disco

óptico. Para ello, además del plano de la imagen de la retinografía que obtenemos inicialmente, se realizarán

dos planos más para obtener textura en la imagen. Así, la segmentación y representación es obtenida del

espacio del color y de la textura. En condiciones normales y para la mayoría de las imágenes, el plano rojo es

el que proporciona un mejor contraste del disco óptico. Para caracterizar mejor el disco óptico en las

situaciones patológicas que nos ocupa, se añaden dos texturas derivadas.

4.4.1 Filtro gaussiano

El primer filtro es uno sencillo. Consiste en un filtro gaussiano a la imagen. Está compuesto por tres filtros,

que luego se realiza un promedio y obtenemos el primer plano de textura.

Los parámetros para los tres filtros son:

σ = √2

σ = 2√2

σ = 2

4.4.2 Filtro de Gabor

El segundo filtro propuesto es un filtro de Gabor. Es definido por la siguiente expresión (4-1):

𝐿(𝑐, 𝜎, 𝜏) = 𝐿0(𝜎, 𝜏) + cos (𝜋𝜏𝑐

𝜎) 𝑒

−(𝑐2

2𝜎2) (4–1)

15



donde τ es el número de ciclos de la función armónica con la envolvente gaussiana del filtro, normalmente

utilizada en los filtros de Gabor. La componente de continua es añadida para obtener un cero. Las respuestas

de este filtro son obtenidas por tres pares de filtros:

(𝜎, 𝜏) = (4,2)

(𝜎, 𝜏) = (6,3)

(𝜎, 𝜏) = (8,3)

Se suman todos los resultados para obtener regularidad en el segundo plano de textura en un nivel más fino.

La elección del plano de textura se basa en la ayuda que nos proporciona para distinguir el disco óptico.

4.5 Método de Chan-Vese

Cuando obtenemos la imagen con los tres planos (plano rojo, textura 1 y textura 2), podemos proceder a la

aplicación del método de Chan-Vese. Como se ha explicado en capítulos anteriores, los parámetros más

importantes son: µ, υ y el número de iteracione.

En el artículo en el que se basa este proyecto no se especifica ningún valor de estos parámetros, por lo tanto los

hemos elegido basándonos en nuestra propia experiencia realizando pruebas en las diferentes imágenes.

µ=0.2 : para la precisión que necesitamos, era el valor más cercano (ver figura x).

inicialización: los puntos de inicialización los elegimos tras aplicar la transformada de Hough y

obtener el centro aproximado del disco óptico.

Número de iteraciones: aproximadamente 500 iteraciones.

4.6 Interpolación

Tras realizar el algoritmo Chan-Vese obtenemos una región delimitada por una curva donde está contenido el

disco óptico. Para finalizar se realiza una interpolación para suavizar los bordes y obtener el disco óptico final.

4.7 Cálculo de estadísticas

Tras obtener el contorno del disco óptico, es necesario realizar unos cálculos para ver la sensibilidad y la

fiabilidad del algoritmo implementado.

Se tendrán en cuenta dos coeficientes:

Precisión:

𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑡𝑝

𝑡𝑝 + 𝑓𝑝

Recall:

𝑟𝑒𝑐𝑎𝑙𝑙 =𝑡𝑝

𝑡𝑝+𝑓𝑛

siendo tp el número de positivos reales, fp el número de falsos positivos y fn el número de falsos negativos.


16

16

Para apreciar los resultados mejor se calcula un coeficiente denominado ‘F-score’. Es definido como:

𝐹 = 2𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 · 𝑅𝑒𝑐𝑎𝑙𝑙

𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑅𝑒𝑐𝑎𝑙𝑙

El valor de F-score varía entre 0 y 1 y para que el método sea efectivo, F debe de tener un valor alto dentro del

rango.

17



5 RESULTADOS

n este capítulo vamos a presentar los resultados más relevantes obtenidos de la implementación del

algoritmo. Las pruebas se han realizado sobre imágenes de bases de datos públicas, en concreto, las

bases de datos DRIVE y DIARETDB1. Se ha realizado sobre 55 retinografías.

A continuación se presentan los resultados de las 20 retinografías más relevantes. En la imagen final podemos

observar dos curvas: una en color azul que corresponde al disco óptico segmentado por un especialista y una

curva color verde que es la obtenida por el algoritmo implementado.

Así mismo, podemos observar en cada resultado una comparación con los otros métodos explicados en el

Capitulo 2. Por último, se recoge una tabla explicativa en la que se especifican los resultados de los

coeficientes y un campo de observaciones de los resultados.

E

Nuestra recompensa se encuentra en el esfuerzo y no en

el resultado. Un esfuerzo total es una victoria completa.

- Mahatma Gandhi-

Resultados

18

18

5.1 Resultado nº 1.

Información de la imagen

Base de datos DRIVE

Imagen 01_test.tif

Imagen original Máscara vasos sanguíneos

Imagen sin vasos

Imagen final

19



Coeficientes estadísticos

Precision 90,32% tp 2306

Recall 100% fp 247

F 94,92% fn 0

Comentarios

El resultado es bastante bueno. El contorno se asemeja bastante al obtenido por un especialista, pero está sobrepasado superiormente. Respecto a los otros métodos, vemos que es bastante mejor que los otros.

Otros resultados

Original

Especialista (manual)

Transformada de Hough

Chan Vese original

Resultado final

Resultados

20

20

5.2 Resultado nº 2


Base de datos DIARETDB1

Imagen Image042.tif


Imagen sin vasos

Imagen final

21





Recall 87,05% Fp 285

F 90,84% Fn 803

Comentarios

El resultado es bastante bueno. El contorno se asemeja bastante al obtenido por un especialista, y está centrado. Respecto a los otros métodos, vemos que es bastante mejor que los otros.

Otros resultados

Original



Chan Vese original

Resultado final

Resultados

22

22

5.3 Resultado nº 3


Base de datos DIARETDB1

Imagen Image087.tif


Imagen sin vasos

Imagen final

23





Recall 89,05% fp 343

F 92,34% fn 983

Comentarios

El resultado es bastante bueno. El contorno se asemeja bastante al obtenido por un especialista, y está centrado. Respecto a los otros métodos, vemos que también son bastante efectivos en este caso.

Otros resultados

Original



Chan Vese original

Resultado final

Resultados

24

24

5.4 Resultado nº 4


Base de datos DRIVE

Imagen 04_test.tif


Imagen sin vasos

Imagen final

25





Recall 100,00% fp 130

F 97,54% fn 0

Comentarios

El resultado es bueno. El contorno se ajusta al delimitado por el especialista aunque está ligeramente sobrepasado. Respecto a los otros métodos, vemos que es mucho mejor.

Otros resultados

Original



Chan Vese original

Resultado final

Resultados

26

26

5.5 Resultado nº 5


Base de datos DRIVE

Imagen 05_test.tif


Imagen sin vasos

Imagen final

27





Recall 100,00% fp 371

F 93,10% fn 0

Comentarios

El resultado es bastante bueno. El contorno se asemeja bastante al obtenido por un especialista, pero sobrepasa lateralmente. Respecto a los otros métodos, vemos que es bastante mejor que los otros.

Otros resultados

Original



Chan Vese original

Resultado final

Resultados

28

28

5.6 Resultado nº 6


Base de datos DRIVE

Imagen 06_test.tif


Imagen sin vasos

Imagen final

29






F 88,80% fn 402

Comentarios

El resultado no es lo suficientemente bueno. El contorno se asemeja bastante al obtenido por un especialista, pero no está centrado. Respecto a los otros métodos, vemos que es bastante mejor que los otros.

Otros resultados

Original


Transformada de Hough No detectado

Chan Vese original No detectado

Resultado final

Resultados

30

30

5.7 Resultado nº 7


Base de datos DRIVE

Imagen 07_test.tif


Imagen sin vasos

Imagen final

31






F 82,60% fn 972

Comentarios


Otros resultados

Original



Chan Vese original

Resultado final

Resultados

32

32

5.8 Resultado nº 8


Base de datos DRIVE

Imagen 08_test.tif


Imagen sin vasos

Imagen final

33






F 86,45% fn 1351

Comentarios

El resultado es bueno. El contorno se ajusta al delimitado por el especialista aunque está ligeramente desplazado. Respecto a los otros métodos, vemos que es mucho mejor, ya que los otros no son concluyentes.

Otros resultados

Original



Chan Vese original

Resultado final

Resultados

34

34

5.9 Resultado nº 9


Base de datos DRIVE

Imagen 09_test.tif


Imagen sin vasos

Imagen final

35






F 93,95% fn 232

Otros resultados

Original




Resultado final

Resultados

36

36

5.10 Resultado nº 10


Base de datos DRIVE

Imagen 10_test.tif


Imagen sin vasos

Imagen final

37






F 82,98% fn 592

Comentarios

El resultado es bueno. El contorno se ajusta al delimitado por el especialista aunque está ligeramente desplazado. Respecto a los otros métodos, vemos que es mucho mejor, ya que los otros no son concluyentes.

Otros resultados

Original




Resultado final

Resultados

38

38



Base de datos DRIVE

Imagen 11_test.tif


Imagen sin vasos

Imagen final

39





Recall 87,01% fp 60

F 92,18% fn 440

Comentarios

El resultado es bueno. El contorno se ajusta al delimitado por el especialista aunque está ligeramente desplazado. Respecto a los otros métodos, vemos que es mucho mejor, ya que los otros no son concluyentes. Esto sucede ya que el plano rojo no aporta información. En el método propuesto lo suplimos con la textura, pero en los otros métodos, al no tener esa información y saturar el plano, no funciona.

Otros resultados

Original




Resultado final

Resultados

40

40



Base de datos DIARETBD1

Imagen image002.png


Imagen sin vasos

Imagen final

41






F 92,43% fn 491

Comentarios

El resultado es bueno, pero no recoge la parte inferior. El contorno se asemeja bastante al obtenido por un especialista, y está centrado pero no cubre el área completa. Respecto a los otros métodos, vemos que es bastante mejor que los otros, ya que uno es mayor y otro no tiene la forma correcta.

Otros resultados

Original



Chan Vese original

Resultado final

Resultados

42

42




Imagen image005.png


Imagen sin vasos

Imagen final

43






F 94,51% fn 261

Comentarios

El resultado es bastante bueno, casi perfecto. El contorno se asemeja bastante al obtenido por un especialista, y está centrado. Respecto a los otros métodos, vemos que es bastante mejor que los otros. La transformada de Hough vemos que ni siquiera lo representa bien.

Otros resultados

Original



Chan Vese original

Resultado final

Resultados

44

44




Imagen image008.png


Imagen sin vasos

Imagen final

45






F 88,96% fn 396

Comentarios


Otros resultados

Original



Chan Vese original

Resultado final

Resultados

46

46




Imagen image009.png


Imagen sin vasos

Imagen final

47






F 95,22% fn 358

Comentarios

El resultado es muy bueno. El contorno se asemeja bastante al obtenido por un especialista, y está centrado. Respecto a los otros métodos, vemos que es bastante mejor que los otros, en concreto en Chan-Vese original es bastante peor.

Otros resultados

Original



Chan Vese original

Resultado final

Resultados

48

48




Imagen image015.png


Imagen sin vasos

Imagen final

49






F 94,45% fn 561

Comentarios

El resultado no es muy bueno. El contorno deja fuera una parte del disco óptico pero está centrado. Respecto a los otros métodos, vemos que es bastante mejor que los otros, en concreto en Chan-Vese original es peor.

Otros resultados

Original



Chan Vese original

Resultado final

Resultados

50

50




Imagen image017.png


Imagen sin vasos

Imagen final

51






F 91,88% fn 427

Comentarios

El resultado es muy bueno. El contorno se ajusta muy bien al delimitado por el especialista y está centrado. Respecto a los otros métodos, vemos que es bastante mejor que los otros.

Otros resultados

Original



Chan Vese original

Resultado final

Resultados

52

52




Imagen image018.png


Imagen sin vasos

Imagen final

53






F 90,54% fn 388

Comentarios

El resultado es muy bueno. El contorno se ajusta muy bien al delimitado por el especialista y está centrado, aunque presenta una deformación elíptica. Respecto a los otros métodos, vemos que es bastante mejor.

Otros resultados

Original



Chan Vese original

Resultado final

Resultados

54

54




Imagen image028.png


Imagen sin vasos

Imagen final

55






F 92,48% fn 450

Comentarios

El resultado es muy bueno. El contorno se ajusta muy bien al delimitado por el especialista y está centrado. Respecto a los otros métodos, vemos que es bastante mejor, sobre todo comparado con Hough.

Otros resultados

Original



Chan Vese original

Resultado final

Resultados

56

56




Imagen image029.png


Imagen sin vasos

Imagen final

57






F 91,16% fn 704

Comentarios

El resultado es bueno. El contorno se ajusta al delimitado por el especialista aunque está desplazado. Respecto a los otros métodos, vemos que es bastante mejor, sobre todo comparado con Chan-Vese.

Otros resultados

Original



Chan Vese original

Resultado final

Resultados Globales

58

58

6 RESULTADOS GLOBALES

- Precisión media: 92,79%

- Recall medio: 90,27%

- Factor F medio: 91,37%

59



7 CONCLUSIONES Y LÍNEAS FUTURAS

En este proyecto se ha presentado una solución para la detección del glaucoma, el cual se obtiene tras aplicar

diversos parámetros geométricos al disco óptico. Es conocido que en la segmentación manual puede haber

diferencias entre especialistas, por lo que este método, al ser completamente automático, minimiza dicho error.

Como novedad, al incluir el modelo de active contour proporciona robustez a la segmentación del disco

óptico. Así nos permite una evaluación más exhaustiva del disco y realizar un diagnóstico del glaucoma

teniendo más parámetros conocidos. Esto ha sido posible gracias al modelo de Chan-Vese, incluyendo

información de la imagen y del contorno, como por ejemplo la textura. Este es uno de los puntos más

interesantes y novedosos del método propuesto, ya que se incluye información de múltiples canales. Otro

aspecto interesante del método es que no es necesario incluir ningún parámetro de entrada, es totalmente

automático.

Los resultados obtenidos tras aplicarlo en diferentes imágenes han sido realmente buenos. Se han elegido dos

bases de datos de imágenes distintas para poder ponderar el método en imágenes con distintas características,

ya que no siempre se van a poder obtener conla mejor calidad. Así mismo, también se han realizado pruebas

con ojos enfermos y ojos sanos, viendo que en ambos casos el resultado es realmente bueno. Por último, para

poder comparar con los otros métodos, se han aplicado estos a 20 imágenes, obteniendo que el método

propuesto es muy superior a los anteriormente descritos.

Como conclusión final, consideramos que es un método efectivo, que puede ser implementado en un futuro

para su detección.

Las líneas futuras que tendríamos que tener en cuenta serían:

Otros espacios de color: el método propuesto se ha probado en imágenes en RGB. Sería interesante

continuar la investigación en otros espacios de color, como pueden ser CMYK.

Combinar otras texturas: en el método propuesto se han usado dos texturas, obtenidas mediante tres

filtros gaussianos ponderados y tres filtros de Gabor ponderados. Se podría investigar sobre otro tipo

de filtros y su eficacia.

Intregración con la excavación(‘cup’) : en el artículo en el que se ha basado este proyecto [1], se

especifica un método para la detección de la excavación, por lo que sería interesante realizar su

implementación e incorporarla a este método.

Referencias

60

60

REFERENCIAS

[1] Optic Disk and Cup Segmentation From Monocular Color Retinal Images for Glaucoma

Assessment. Joshi, Gopal Datt, Sivaswamy, Jayanthi y Krishnadas, S.R. 6, 2011, IEEE

Transactions on Medical Imaging, Vol. 30, págs. 1192-1205.

[2] Glaucoma Research Foundation. Learn about Glaucoma. [En línea] 2014.

http://www.glaucoma.org/glaucoma/.

[3] Segmentation of Optic Disk in Fundus Images. S.Vasanthi, B.E, M. Tech, R. Anand, y otros. [En línea]

2012. http://www.ijcse.com/docs/INDJCSE12-03-02-031.pdf

[4] Segmentación del disco óptico en imágenes de retina mediante la tranformada de Hough y los

contornos activos. José Abel de la Fuente-Arriaga, Edgardo Felipe-Riverón, Eduardo Garduño-Calderón.

2012. Revista: "Research in computing Science, Advances in computing science. November 2012, Mexico

DF. Vol 58. ISSN: 1870-4069

[5] Chan-Vese Segmentation. Pascal Getreuer, Yale university.[En línea].

http://www.ipol.im/pub/art/2012/g-cv/article.pdf

[6] Kande, G.B.; Venkata Subbaiah, P. y Satya Savithri, T. “Segmentation of Exudates and

Optic Disk in Retinal Images”. Sixth Indian Conference on Computer Vision, Graphics & Image

Processing, 2008. pp. 535-542.

[7] Lee, S. S., et al. “Screening of Diabetic Retinopathy - Automatic Segmentation of Optic

Disc in Colour Fundus Images”. The 2nd International Conference on Distributed Frameworks

for Multimedia Applications, 2006. pp. 1-7.

[8] Zhu, X.; RanGayyan, R. M. y Ells, A. L. “Detection of the Optic Nerve Head in Fundus

Images of the Retina using the Hough Transform for Circles”. Journal of Digital Imaging, 2010,

vol. 23, no. 3. pp. 332-341.

61



Proyecto Fin de Carrera Ingeniería de...

Documents

Transcript of Proyecto Fin de Carrera Ingeniería de...