Detección de Glaucoma mediante análisis de imágenes de fondo de ojo

Abstract

Deixar espai entre paràgrafs El present treball final de grau s'ha desenrotllat dins del grup d'Imatge Mèdica Assistida per Ordinador (IMAO) pertanyent al grup de Processament Avançat de Senyal (PAS) de Labhuman que treballa en el desenvolupament de noves ferramentes software que faciliten la labor del personal sanitari. L'objectiu general és l'estudi de la retina per mitjà de l'anàlisi d'imatges de fons d'ull. En concret este treball es centra en la detecció de la copa òptica utilitzant tècniques de "dictionary learning", "sparse representation'' i classificador de Bayes. La copa òptica és una de les estructures de la retina que es troba situada dins del disc òptic i que augmenta la seua dimensió a mesura que el glaucoma avança. La segmentació de la copa òptica és una tasca complicada amb els mètodes convencionals de segmentació d'imatge. Així, en aquest treball es pretén treballar amb mètodes d'aprenentatge automàtic i a més tenint en compte informació d'intensitat de la imatge (com les tècniques clàssiques) e informació de textures. La base de dades d'imatges amb què s'ha treballat s'ha dividit en dos conjunts: entrenament i test. Amb les imatges d'entrenament s'han creat dos diccionaris, per mitjà de tècniques de "dictionary learning". A partir d'estos dos diccionaris s'ha obtingut la primera característica de la imatge, la informació de la textura, que s'ha obtingut reconstruint la imatge per mitjà de la seua representació "sparse'' amb els diccionaris creats. Amb esta informació de la textura i la informació de la intensitat s'ha creat un model per mitjà d'un classificador de Bayes. Amb el model obtingut es proven les imatges del conjunt de test, obtenint per a cada una d'elles un mapa de probabilitat que ens indica la probabilitat que cada píxel del disc pertanga a la copa. Finalment es presenten els resultats obtinguts i es conclou extraient les principals conclusions i plantejant possibles línies futures de treball.

El presente trabajo final de grado se ha desarrollado dentro del grupo de Imagen Médica Asistida por Ordenador (IMAO) perteneciente al grupo de Procesamiento Avanzado de Señal (PAS) de Labhuman que trabaja en el desarrollo de nuevas herramientas software que faciliten la labor del personal médico. El objetivo general es el estudio de la retina mediante el análisis de imágenes de fondo de ojo. En concreto este trabajo se centra en la detección de la copa óptica utilizando técnicas de "dictionary learning", "sparse representation'' y clasificador de Bayes. La copa óptica es una de las estructuras de la retina que se encuentra situada dentro del disco óptico y que aumenta su tamaño a medida que el glaucoma avanza. La segmentación de la copa óptica es una tarea complicada con los métodos convencionales de segmentación de imagen. Así pues en este trabajo se pretende trabajar con métodos de aprendizaje automático y además teniendo en cuenta información de intensidad de la imagen (como las técnicas clásicas) e información de texturas. La base de datos de imágenes con las que se ha trabajado se ha dividido en dos conjuntos: entrenamiento y test. Con las imágenes de entrenamiento se han creado dos diccionarios mediante técnicas de "dictionary learning". A partir de estos dos diccionarios se ha extraído la primera característica de la imagen, la información de la textura, que se ha obtenido reconstruyendo la imagen mediante su representación "sparse'' con los diccionarios creados. Con esta información de la textura y la información de la intensidad se ha creado un modelo mediante un clasificador de Bayes. Con el modelo obtenido se testean las imágenes del conjunto de test, obteniendo para cada una de ellas un mapa de probabilidad que nos indica la probabilidad de que cada píxel del disco óptico pertenezca a la copa óptica. Por último se presentan los resultados obtenidos y se concluye extrayendo las principales conclusiones y planteando posibles líneas futuras de trabajo.

The present final work has been developed inside of IMAO's group (Assisted Medical Image by Computer) part of PAS (Advanced Processing Signal) group in LabHuman in developing new software tools to facilitate the work of medical staff. The main aim is to study the retina by analysis of fundus images of the eye. In particular, this research is focused on optic cup detection using dictionary learning, sparse representation and Naive Bayes classifier techniques. The optic cup is one of the structures of the retina located inside the optic disc and its size increases as the glaucoma advances. Optic cup segmentation is a complicated task with convencional methods of image segmentation are used. This research is intended to be carried out using machine learning methods as well as taking into account information about intensity of the image (likely classical techniques) and texture information. The database of images has been divided into two sets: training and testing. The training set has been used to create the dictionaries by dictionary learning techniques. Using these dictionaries, the first feature of the image, the texture, has been obtained by rebuilding the image using sparse representation and both dictionaries. With this texture and intensity data image, a model has been created using a Naive Bayes classifier. Using this model with the images from test set are tested and the algorithm returns a probability map which indicates if each pixel belongs to the optic disc or the optic cup. Finally, it presents the results obtained and concludes by extracting the principal conclusions and suggesting possible future lines of work.