Trabalhos tˆem sido desenvolvidos objetivando uma segmenta¸c˜ao retinal eficiente, e tˆem aplicado uma ampla tab:tgaparsgama de ferramentas matem´aticas e t´ecnicas de vis˜ao computacional para alcan¸car melhores resultados.
Aslani e Sarnel propuseram um m´etodo para segmenta¸c˜ao de vasos retinais por classi-fica¸c˜ao de pixels baseados em aprendizado de m´aquina supervisionado, construindo um ve-tor de caracter´ısticas de 17 dimens˜oes, incluindo intensidade melhorada de contraste, me-didas de vasos ( ouvesselness measure), intensidade da imagem morfologicamente trans-formada, resposta multiescala da wavelet, Gabor e a resposta do filtro B-COSFIRE (AS-LANI; SARNEL, 2016).
Fathi et al. propuseram um algoritmo multiescala baseado em transformada wavelet cont´ınua usando parˆametros otimizados para representar estruturas lineares em todas as dire¸c˜oes e com caracter´ısticas diversas de simples bordas (FATHI; NAGHSH-NILCHI, 2013). Ent˜ao, uma segmenta¸c˜ao ´e executada, aplicando um processo de limiar adaptativo ao histograma associado com um m´etodo posterior de filtro de linhas. A Figura 14 mostra a segmenta¸c˜ao do registro numero 9 do banco de imagens DRIVE obtida pelo algoritmo
proposto por Fathi et al.
Figura 14: Resultado da segmenta¸c˜ao obtido pelo m´etodo proposto por Fathi et al. A) Imagem original. B) Imagem segmentada. Extra´ıdo de (FATHI; NAGHSH-NILCHI, 2013)
Azzopardi et al. derivaram seu m´etodo proposto da combina¸c˜ao de resposta do filtro de deslocamento (ou COSFIRE, do inglˆesCombination of Shifted Filter Response) e criou uma abordagem chamada B-COSFIRE, onde B significa barra, devido a sua semelhan¸ca com uma estrutura de vaso (AZZOPARDI et al., 2015). Seus dois filtros B-COSFIRE associados obtˆem seletividade de orienta¸c˜ao por computar a m´edia geom´etrica ponderada da diferen¸ca de resposta entre dois filtros Gaussianos, tendo seus suportes linearmente alinhados. Esses dois filtros foram desenhados para ter alta seletividade para formatos em barra e final de barra.
Diferentemente da abordagem tradicional de m´etodos supervisionados predizendo a classe de pixel na imagem usando a intensidade ou outras caracter´ısticas, Li et al. trans-formaram a tarefa de segmenta¸c˜ao em um problema de transforma¸c˜ao de dados em mo-dalidade cruzada, onde a primeira momo-dalidade ´e a cor da imagem retinal e a segunda modalidade ´e o mapa de vasos (LI et al., 2016).
Uma larga e profunda rede neural artificial com forte capacidade de indu¸c˜ao ´e proposta para modelar a transforma¸c˜ao. A Figura 15 ilustra o processo de segmenta¸c˜ao proposto.
Na sequˆencia da figura, ´e mostrada em A) a imagem original, em B) a segmenta¸c˜ao manual pelo especialista, em C) a imagem resultante do mapa de probabilidades geradas pela rede neural e em D) o resultado final da segmenta¸c˜ao com melhor acur´acia entre os mapas de probabilidades obtidos.
Chen et al. propuseram um m´etodo usando decis˜ao baseada em grafo capaz de seg-mentar a ´arvore vascular topol´ogica com conex˜oes que possuem 1 pixel de largura (CHEN;
Figura 15: Resultado da segmenta¸c˜ao obtido pelo m´etodo proposto por Li et al. Extra´ıdo de (LI et al., 2016)
HUANG; TIAN, 2015). Come¸cando pela segmenta¸c˜ao das cristas dos vasos sangu´ıneos em multiescala, os vasos desconectados s˜ao retroativamente reconectados e as cristas esp´urias s˜ao descartadas usando algoritmo de caminho mais curto e um teste probabil´ıstico de hip´otese. Um exemplo do resultado obtido pelo algoritmo proposto por Chen et al. est´a mostrado na Figura 16, onde em (A) se vˆe a imagem original, em (B) a anota¸c˜ao manual do especialista e em (C) o resultado obtido da segmenta¸c˜ao da ´arvore vascular com 1 pixel de largura.
Figura 16: Resultado da segmenta¸c˜ao obtido pelo m´etodo proposto por Chen et al. Ex-tra´ıdo de (CHEN; HUANG; TIAN, 2015)
O algoritmo proposto por Qian Zhao et al. ´e baseado em conjunto de n´ıveis e cresci-mento de regi˜ao ap´os real¸car a imagem com contraste limitado, uma equaliza¸c˜ao adapta-tiva de histograma e uma transformada wavelet Gabor em duas dimens˜oes (Qian Zhao et al., 2014). Yitian Zhao et al. propuseram um novo modelo de contorno ativo infinito que usa a informa¸c˜ao da regi˜ao h´ıbrida da imagem para segmenta¸c˜ao dos vasos retinais (ZHAO et al., 2015).
Usando uma estrat´egia baseada em matched filters, Li et al. propuseram uma
seg-menta¸c˜ao multiescala baseado na multiplica¸c˜ao das respostas dosmatched filters em trˆes escalas (LI; YOU; ZHANG, 2012). Whaheed et al. propuseram uma t´ecnica de realce de vasos usandomatched filters com kernel multiwavelets e em uma decomposi¸c˜ao hier´arquica multiescala interativa baseada em um modelo de duas classes com imagens real¸cadas e normalizadas (WANG et al., 2013).
Propondo um m´etodo supervisionado para segmenta¸c˜ao dos vasos, Zhu et al. construiu um vetor de caracter´ısticas com 39 dimens˜oes para cada pixel da imagem retinal, consis-tindo de caracter´ısticas locais, morfol´ogicas, congruˆencia de fase, Hessianas e divergˆencia de vetores de campos que foram submetidos a um classificador Aprendizado de M´aquina Extremo (ZHU et al., 2016). A Figura 17 ilustra o resultado do processo de segmenta¸c˜ao proposto pelos autores. Na sequˆencia da figura, ´e mostrada em A) a imagem original, em B) a segmenta¸c˜ao manual pelo especialista, em C) o resultado final da segmenta¸c˜ao obtido pelo classificador proposto.
Figura 17: Resultado da segmenta¸c˜ao obtido pelo m´etodo proposto por Zhu et al. Ex-tra´ıdo de (ZHU et al., 2016)
4 MATERIAL E M´ ETODOS
Neste cap´ıtulo fazemos as explana¸c˜oes detalhadas das atividades executadas para a constru¸c˜ao dos algoritmos de segmenta¸c˜ao de disco ´otico e vasos retinais propostos nesta tese. Iniciamos pela descri¸c˜ao das etapas da constru¸c˜ao do algoritmo de segmenta¸c˜ao de disco ´otico e depois para os passos executados na constru¸c˜ao de um algoritmo de segmenta¸c˜ao de vasos retinais.
4.1 Segmenta¸ c˜ ao do Disco ´ Otico
Nesta se¸c˜ao, descrevemos o processo de localiza¸c˜ao e segmenta¸c˜ao do DO analisando as imagens retinais fornecidas pelo banco de imagens DRIVE. O DO ´e a regi˜ao de entrada dos vasos sangu´ıneos e nervo ´otico para a retina. A aparˆencia do DO em uma imagem de fundo de olho ´e uma regi˜ao clara e um pouco amarelada. O contorno do DO ´e aproximadamente circular e ´e interrompido pelos vasos que entram e saem da retina. Frequentemente ele aparece em formato el´ıptico devido ao ˆangulo entre o plano do DO e o plano da cˆamera. O diˆametro do DO pode assumir diferentes tamanhos dependendo do paciente, na m´edia 1.77 mm(HA et al., 1990), normalmente na faixa de 40 a 60 pixels em uma imagem colorida com resolu¸c˜ao de 640 x 480 pixels. O diagrama mostrado na Figura 18 representa a sequˆencia de opera¸c˜oes executadas pelo algoritmo desenvolvido neste projeto.
As etapas de processamento do algoritmo s˜ao descritas com detalhes a seguir:
1. Sele¸c˜ao de Banda por An´alise de Histograma. Ap´os a leitura da imagem colorida do banco de imagens DRIVE, executa-se uma an´alise de histograma, comparando as bandas de cores com trˆes imagens de referˆencia que ir´a indicar qual a melhor banda de cor a ser considerada para processamento. Quanto maior for o n´ıvel de similaridade entre a imagem de entrada e a imagem de referˆencia, melhor a banda a ser processada.
Essas trˆes imagens de referˆencia foram obtidas ap´os testes emp´ıricos. A raz˜ao para esse procedimento ´e que uma determinada banda de cor selecionada nem sempre ´e a melhor para processamento em todo o conjunto de imagens, por que cada amostra pode apresentar uma diferente distribui¸c˜ao de escala de n´ıveis de cinza, o que pode aumentar o n´ıvel de erro do algoritmo. A linha superior na Figura 19 mostra as trˆes bandas da primeira imagem do grupo de testes. A banda mais adequada para processamento ´e a banda de vermelho devido ao melhor contraste. Entretanto, para a segunda imagem de teste, mostrada na
Imagem Retinal
Sele¸c˜ao de Banda por An´alise de Histograma
Realce de Imagem
Decomposi¸c˜ao por wavelet
Aproxima¸c˜ao Poligonal
Elimina¸c˜ao de Falsos Positivos
Disco ´Otico Detectado
Figura 18: Fluxograma da segmenta¸c˜ao do disco ´otico.
linha inferior, a melhor op¸c˜ao seria a banda verde, uma vez que a banda vermelha possui baixo contraste, dificultando a localiza¸c˜ao do disco.
Figura 19: Bandas RGB do primeiro registro (acima) e do segundo registro(abaixo).
Enquanto o teste de Kolmogorov-Smirnov ´e o teste mais utilizado para calcular dife-ren¸cas entre distribui¸c˜oes com dados cont´ınuos como uma fun¸c˜ao de uma ´unica vari´avel, o m´etodo χ2, de Pearson, ´e o teste mais aceito para calcular diferen¸cas entre distribui¸c˜oes
categorizadas (PAPOULIS; UNNIKRISHNA, 2002). Suponha que Ni ´e a intensidade observada do pixel no i-´esimo n´ıvel de cinza do histograma da imagem analisada, e que ni ´e a intensidade do pixel da imagem de referˆencia. Assim, a estat´ıstica de χ2 ´e dada por (PRESS et al., 2007):
onde a soma ´e feita sobre todos os n´ıveis de cinza, de 0 a 255, portanto usando um histograma de 256 colunas. Altos valores deχ2 representam menor similaridade entre os histogramas. A avalia¸c˜ao ´e executada nas trˆes bandas da imagem a ser processada.
2. Realce de Imagem. Uma vez que a banda mais adequada foi selecionada, esta ´e sub-metida a um realce de imagem atrav´es da t´ecnica de morfologia matem´atica conhecida comotop hat, usando um elemento estruturante circular de raio 25 para ressaltar a regi˜ao clara e circular do DO.
3. Decomposi¸c˜ao por wavelet. Nesta etapa, a imagem ´e submetida a uma decomposi¸c˜ao piramidal pela transformada wavelet de Haar e ´e expressa na forma de um vetor de sub-faixas contendo as aproxima¸c˜oes das frequˆencias da imagem. O quinto n´ıvel de de-composi¸c˜ao, com dimens˜oes de 37 x 36 pixels, obtido da decima¸c˜ao da imagem original por wavelet em sucessivas divis˜oes por dois, e ´e ent˜ao redimensionado por interpola¸c˜ao po-linomial para dimens˜ao original de 592 x 576 pixels e convertida em uma imagem bin´aria para a obten¸c˜ao de uma borda definida da regi˜ao mais clara. Por testes emp´ıricos, o valor m´ınimo de limiar foi definido como 220 e o valor m´aximo como 225. Uma ilustra¸c˜ao da decomposi¸c˜ao e reconstru¸c˜ao por wavelets ´e mostrada na Figura 20. Note a regi˜ao mais brilhante e com formato circular, que favorece a localiza¸c˜ao e segmenta¸c˜ao do DO, melhor representada no n´ıvel 5.
4. Aproxima¸c˜ao Poligonal. Sobre a imagem bin´aria aplica-se a transformada de Hough que produz diversos c´ırculos candidatos `a borda do DO, com diversos diˆametros e loca-liza¸c˜oes.
5. Elimina¸c˜ao de Falsos Positivos. Nesta ´ultima fase, com base em crit´erios tais como diˆametro m´aximo, m´ınimo e localiza¸c˜ao, seleciona-se o melhor c´ırculo que representar´a a borda do DO. Sabe-se que o raio m´edio do DO ´e de 70 pixels, ent˜ao s˜ao eliminados os candidatos com raio maior ou menor que 30 % deste valor. Dos candidatos remanescentes,
Figura 20: Imagem decomposta e reconstru´ıda em 7 n´ıveis. A) Imagem original. De B a F) Reconstru¸c˜ao das imagens por transformada wavelet Haar. G) Quinto n´ıvel de reconstru¸c˜ao, onde o DO mais se destaca. H) Sexto n´ıvel de reconstru¸c˜ao onde n˜ao se distingue mais o DO.
escolhe-se aquele que tem valor raio mais pr´oximo a 70 pixels e centro mais pr´oximo ao eixo dosx em valores absolutos.