Detecção e Segmentação da Região do Disco Óptico em Imagens de Retina por Delimitação de Regiões de Interesse e
Uso de Limiar
Leonardo M. Santos, Maíla L. Claro, Wallinson L. Silva, Flávio H. D. Araújo
leonardo.moura.software, claromaila, iwallinsom@gmail.com, flavio86@ufpi.edu.br
Abstract.Currently the use of digital images has been gaining attention in the automatic diagnosis of diseases. Glaucoma is a disease that affects a large proportion of the world population and is among the largest blindness cause.
For automatic detection of disease from the digital image analysis is necessary to segmentation of its main regions. In eye diseases, specifically in glaucoma, there is the Optical Disc (OD), the excavation of the OD and the blood vessels, where they are visible changes in these locations. This paper aims to present a new method of segmentation and detection of OD region in retinal images for Glaucoma detection.
Resumo. Atualmente o uso de imagens digitais vem ganhando destaque no diagnóstico automático de doenças. O Glaucoma é uma doença que afeta uma grande parte da população mundial, estando no ranking das maiores causadoras de cegueira. Para a detecção automática de doenças a partir da análise de imagens digitais é necessário à segmentação das suas principais regiões. Em doenças oculares, mais especificamente o Glaucoma, destaca-se o Disco Óptico (DO), a escavação do DO e os vasos sanguíneos, onde são visíveis alterações nesses locais. Assim, este trabalho teve o objetivo de apresentar um novo método de segmentação e detecção da região do DO em imagens médicas da retina para fins de detecção do Glaucoma.
1. Introdução
A análise de imagens de fundo de olho é muito utilizada pela comunidade médica para diagnóstico de doenças oculares ou doenças que tenham efeitos globais sobre a vasculatura do corpo [Soares 2006]. A inspeção dos vasos de fundo de olho pode revelar sinais de hipertensão, diabetes, arteriosclerose e doenças cardiovasculares [Kanski 1989].
O Glaucoma é uma doença assintomática neurodegenerativa do olho, crônica e irreversível em que o nervo que liga o olho ao cérebro (nervo óptico) é progressivamente danificado [Klein 1992]. É a segunda principal causa de cegueira no mundo, com cerca de 60 milhões de casos de Glaucoma em todo o mundo em 2010. A segmentação do Disco Óptico (DO) em imagens de retina é muito utilizada para auxiliar o médico na detecção do Glaucoma. Anomalias na região do DO podem indicar a presença do Glaucoma [Liesang, Deutsch e Grand 2011].
Ainda não existe cura para o Glaucoma, sendo a detecção precoce e tratamento preventivo as únicas formas de evitar a perda total de visão em pacientes afetados. As técnicas de Optical Coherence Tomography (OCT) e Heidelberg Retinal Tomography (HRT) são usadas na detecção do Glaucoma, porém elas possuem custos elevados
[Danny 2011]. Uma maneira viável e de baixo custo, levando em consideração outras técnicas de detecção do Glaucoma, é o diagnóstico feito a partir da análise de imagens de fundo de olho. Nessa técnica as imagens são analisadas por um especialista humano que tenta identificar o acúmulo do líquido ao redor do DO.
Assim, o objetivo deste trabalho é realizar a segmentação da região do DO para auxílio na detecção do Glaucoma. A região segmentada também poderá servir de entrada para algoritmos descritores que serão classificados como glaucomatosas ou não.
2. Trabalhos Relacionados
Por ser uma atividade eficiente, rápida e barata o processamento de imagens vem sendo bem difundida, como exemplo podem ser apresentados alguns trabalhos relacionados à área de detecção de doenças, mais especificamente a análise de imagens da retina.
Segundo Liu et al. (2011) a detecção dos limites do Disco Óptico é mais fácil de ser realizada no canal vermelho. Já os canais azul e verde são mais eficientes para distinguir a fronteira da escavação.
No trabalho de Kavitha, Karthikeyan e Duraiswamy (2010) os autores calcularam uma ROI (Region Of Interest) para diminuir a área da região que seria processada. Em seguida eles suavizaram as ROIs obtidas em cada imagem e utilizaram técnicas de filtragem para a eliminação de ruídos. Por fim, foram utilizadas técnicas de segmentação baseadas em cores para a obtenção das fronteiras do DO.
Pela análise da literatura percebeu-se que a técnica de crescimento de regiões (region growing) [Gonzalez e Woods 2002] pode ser utilizada para a identificação da região do DO. Esta técnica é frequentemente utilizada em segmentações por agregação de pixels, iniciando com um conjunto de sementes e, a estas, agregam-se outros pixels que possuem propriedades de cor similar.
3. Base de Imagens
A base de imagens utilizada neste trabalho foi a RIM-ONE [Trucco et al 2013]. Essa base é um banco de imagens de fundo de olho fornecidas por diferentes especialistas, apresentando formas de medição do DO para efeitos de validação. Além de fornecer diversas imagens de olhos saudáveis, a base também fornece imagens com diferentes níveis de Glaucoma e as suas respectivas segmentações do DO. Cada imagem possui cinco máscaras consideradas corretas, como apresentado na Figura 1. As imagens são organizadas em cinco categorias, são elas: Deep (profunda), Early (leve), Moderate (moderado), Normal (saudável), OHT (Hipertensão Ocular). Este banco foi fornecido por três hospitais: Hospital Universitário de Canarias, Hospital Clínico San Carlos e Hospital Universitário Miguel Servet.
Figura 1. Exemplo das imagens que compõe a base.
4. Metodologia Proposta
Nesta seção são descritas as etapas realizadas neste trabalho para a localização da região do DO em imagens digitais de fundo de olho. O fluxograma da Figura 2 ilustra as etapas seguidas pelo algoritmo desenvolvido. Como pode ser visto nesse fluxograma, inicialmente foi necessária a aquisição das imagens. A partir delas foi extraído o canal vermelho para cada uma, em seguida, foi calculado a ROI como sendo a região de maior intensidade de cor da imagem. Por fim, foi realizada a delimitação das fronteiras do DO e a segmentação da região.
Figura 2. Fluxograma da metodologia proposta neste trabalho.
Aquisição da Imagem: é uma das etapas mais importantes na construção de um algoritmo de segmentação de imagens, pois para medir a qualidade da segmentação é necessária uma base que forneça a marcação correta da região que será segmentada. Nosso trabalho utilizou a base RIM-ONE, pois ela possuía a marcação da região do DO feita por especialistas.
Extração do Canal Vermelho: As imagens da base RIM-ONE estavam inicialmente no formato RGB (Red, Green, Blue). Como visto no trabalho realizado por Liu et al. (2011) o DO é mais facilmente encontrado na camada Red do modelo RGB, portanto elas foram convertidas para o canal Red.
Região de Interesse: A extração da ROI foi realizada para reduzir a área onde o processamento será feito, melhorando os resultados e otimizando o tempo de processamento. A região definida como de interesse foi o retângulo localizado ao centro da imagem como apresentado na Figura 3, esta etapa deu auxílio na localização do centro do DO.
Figura 3: Região de interesse para localizar o centro.
Pixel Mais Intenso: Após a obtenção da ROI foi encontrado o pixel de maior intensidade de cor da imagem localizado dentro da ROI. A partir desse pixel foi iniciado o cálculo do raio do DO.
4.1 Localização das Fronteiras com Base no Limiar
Para a localização das fronteiras do DO, a metodologia proposta utilizou uma técnica baseada em limiar. A obtenção desse limiar foi encontrada de forma automática, a partir do pixel central da imagem (encontrado na etapa anterior), traçando em seguida quatro raios, para cima no ângulo de 90º, para baixo no ângulo de 270º, para direita no ângulo de 0º e esquerda no ângulo de 180º.
Devido as diferentes intensidades dos pixels nas imagens foi calculado um novo limiar para cada raio, como sendo a média entre o pixel de maior e menor intensidade, conforme a equação a seguir:
.
Após a definição do limiar foi necessário calcular o raio, partindo do centro do DO até as fronteiras definida pelo limiar, como são quatro raios tornou-se necessário calcular a média como demostrado na equação a seguir:
.
4.2 Segmentação
Após a realização das etapas anteriores obteve-se como resultado as coordenadas do centro do DO e o raio estimado. Em seguida aplicamos a equação da circunferência para traçar as bordas do DO, como visto a seguir:
( ) ( ) ( ) . A Figura 4(b) mostra o resultado obtido após a realização de todos os passos do algoritmo a partir da Figura 4(a). A Figura 4(c) mostra a região do DO segmentada pela identificação de todos os pontos que estão dentro da circunferência obtida.
Figura 4. a) Imagem original, b) delimitação da região do DO feita pelo algoritmo, c) Segmentação binária da região DO.
5. Resultados
Nesta seção são apresentados os resultados obtidos com base na metodologia proposta neste trabalho. A avaliação da acurácia obtida foi feita através da comparação entre o resultado da segmentação do algoritmo e as cinco máscaras da base de imagens utilizadas.
Para avaliar a qualidade da segmentação, calculamos duas medidas, chamadas de Eficácia e Precisão, calculadas pelas Equações 1 e 2, respectivamente.
(1)
(2) ( )
A partir dos valores obtidos para cada imagem foi considerado que o algoritmo segmentou corretamente as imagens que obtiveram valores de Eficácia e Precisão maior que um limiar de exigência, que pode variar de 0 a 100%.
A base de imagens estava organizada em categorias, onde cada uma possuía diferentes quantidades de imagens, e estas possuíam diferentes níveis de Glaucoma. Na Tabela 1 são apresentadas as porcentagens de acerto (Acurácia) da segmentação do algoritmo considerando diferentes limiares de exigência. Pela análise da literatura percebe-se que o limiar de exigência adotado variava de 60% a 80%.
Tabela 1. Acurácia (em porcentagem) do método proposto para diferentes níveis de exigência testados na base RIM-ONE.
Níveis de Glaucoma
Quantidade de Imagens
60% de exigência de
acerto
70% de exigência de
acerto
80% de exigência de
acerto
Deep 14 100 100 100
Early 12 91.66 91.66 91.66
Moderate 14 92.85 78.57 64.28
Normal 118 96.61 93.22 80.50
OHT 11 90.90 90.90 90.90
Todas as Imagens
169 95.85 92.30 82.24
Pela análise da Tabela 1 observa-se que quando o limiar foi de 80% a acurácia obtida pela segmentação do algoritmo foi maior que 82%, totalizando 139 imagens segmentadas corretamente de 169. Ainda pela análise da Tabela 1 percebe-se que quando o limiar de exigência foi menor que 80% a acurácia total obtida pelo algoritmo foi maior que 90%, totalizando mais de 153 imagens segmentadas corretamente. Esses resultados comprovam que a metodologia proposta foi eficiente na identificação da região do DO.
6. Conclusão e Trabalhos Futuros
O processamento de imagens digitais é uma área de estudo com um grande potencial, que cada vez mais vem contribuindo para a sociedade, como exemplo a área da saúde, onde pode ser utilizada para o auxílio em diagnósticos de doenças, de forma eficaz e barata, a partir da análise automática de imagens digitais.
Esse trabalho apresentou uma nova metodologia de detecção automática do DO em imagens de fundo de olho. O método proposto trouxe bons resultados, satisfazendo as expectativas, contabilizando uma acurácia superior a 82% quando avaliado com um limiar de exigência de 80%. Os resultados apresentados na seção anterior comprovaram que a metodologia proposta foi eficiente na segmentação da região do DO nas imagens de retina.
Como trabalho futuro serão desenvolvidos algoritmos de segmentação automática da escavação, com propósito de calcular o CDR (Cup-to-Disc ration) que é a razão entre a área da escavação e a área do DO. O cálculo do CDR é muito utilizado
pelos médicos para a detecção do Glaucoma. Outro trabalho futuro será a implementação de outras técnicas de detecção do DO existentes na literatura para a comparação com o método proposto neste trabalho.
Referências
Danny, L. Y. T. (2011) “Computer Based Diagnosis of Glaucoma Using Principal Component Analyses (PCA)”, A Comparative Study, Tese de Doutorado, SIM University, School of Science and Technology.
Gonzalez, R. C. and Woods, R.E. (2002) “Digital Image Processing”, Upper Saddle River, USA: Prentice-Hall, 2ª edição.
Kanski, J. J. (1989) “Clinical Ophthalmology: A systematic approach”, Butterworth- Heinemann, Londres.
Kavitha, S., Karthikeyan, S. and Duraiswamy, K. (2010) “Early Detection of Glaucoma in Retinal Images Using Cup to Disc Ratio”, Second International conference on Computing, Communication and Networking Technologies.
Klein, B. E., et al. (1992) “Prevalence of glaucoma”, The Beaver Dam Eye Study, Ophthalmology, vol. 99, pp.1499-504.
Liesang, T. J., Deutsch T. A. and Grand M. G. (2002) “Glaucoma”, In Basic and Clinical Science Course, Section 10, San Francisco: American Academy of Ophthalmology.
Liu J., Yin F. S., Wong D.W.K., Zhang Z., Tan N.M., Cheung C. Y., Baskaran M., Aung T. and Wong T.Y. (2011) “Automatic Glaucoma Diagnosis from Fundus Image”, 33rd Annual International Conference of the IEEE EMBS Boston, Massachusetts USA.
Soares, J. V. B. (2006) “Segmentação de vasos sanguíneos em imagens de retina usando wavelets e classificadores estatísticos”, Dissertação de Mestrado, Instituto de Matemática e Estatística, USP.
Trucco, E., Ruggeri, A., Karnowski, T., Giancardo, L., Chaum, E., Hubschman, J. P., Al-Diri, B., Cheung, C. Y., Wong, D., Abràmoff, M., Lim, G., Kumar, D., Burlina, P., Bressler, N. M., Jelinek, H. F., Meriaudeau, F., Quellec, G., Macgillivray, T. and Dhillon, B. (2013) “Validating Retinal Fundus Image Analysis Algorithms: Issues And A Proposal”, Invest. Ophthalmol. Vis. Sci., vol. 54, no. 5, pp. 3546–3559, Disponível: http://www.ncbi.nlm.nih.gov/pu bmed/23794 433.
