Download Que para obtener el grado de Ing. Jesús Salvador Velázquez

INSTITUTO POLITÉCNICO NACIONAL
ESCUELA SUPERIOR DE INGENIERÍA
MECÁNICA Y ELÉCTRICA
UNIDAD PROFESIONAL ADOLFO LÓPEZ MATEOS
“ZACATENCO”
SECCIÓN DE ESTUDIOS DE POSGRADO
E INVESTIGACIÓN
“Sistema Diagnóstico Asistido por Computadora
para la detección de la Retinopatía Diabética
No Proliferativa usando la Red Neuronal de
Retropropagación”
TESIS
Que para obtener el grado de
MAESTRO EN CIENCIAS EN INGENIERÍA ELECTRÓNICA
Presenta:
Ing. Jesús Salvador Velázquez González
Directores de Tesis:
Dr. Francisco Javier Gallegos Funes
Dra. Guadalupe de Jesús Guzmán Bárcenas
México D.F., Diciembre de 2011.
Acta de Revisión de Tesis
i
Carta Cesión de derechos
ii
Resumen
Una de las complicaciones más graves de la Diabetes Mellitus es la Retinopatía Diabética,
enfermedad considerada a nivel mundial como la principal causa de ceguera en la población
económicamente activa. La Retinopatía Diabética es una enfermedad silenciosa y solo es
reconocida por el portador cuándo los cambios en la retina han progresado a un nivel en el cual
el tratamiento se complica, por lo que el diagnóstico oportuno y la remisión al oftalmólogo u
optometrista para el manejo de esta enfermedad pueden prevenir el 98% de la pérdida visual
grave.
Actualmente, una de las áreas de investigación que está atrayendo el interés de científicos y
médicos es el análisis de imágenes médicas por computadora. Este análisis consiste en el
estudio de las imágenes digitales con el objetivo de proporcionar herramientas computacionales
que asistan al especialista médico en la toma de decisiones, basándose en la cuantificación y
visualización de las patologías de interés y sus estructuras anatómicas.
Bajo el contexto anterior, en este trabajo de tesis se desarrolló un Sistema Diagnóstico Asistido
por Computadora para la detección de la Retinopatía Diabética No Proliferativa mediante la
implementación de algoritmos de Procesamiento Digital de Imágenes y Redes Neuronales de
Retropropagación.
Las imágenes de Retinopatía Diabética, así como, el soporte médico fueron proporcionados por el
Hospital General Ignacio Zaragoza del ISSSTE y por el Servicio de Oftalmología de la Unidad
Médica de Alta Especialidad del Centro Médico Nacional La Raza del IMSS.
Los resultados experimentales demuestran que el Sistema Diagnóstico Asistido por Computadora
propuesto, presenta óptimos resultados en términos de detección correcta de la ausencia o
presencia de la enfermedad y sus estadios, obteniendo una sensibilidad y una especificidad del
95% en comparación con otros sistemas similares, cuya sensibilidad y especificidad están en el
intervalo de 83.4% a 94%.
iii
Abstract
One of the most serious complications of Diabetes Mellitus is the Diabetic Retinopathy, a
disease worldwide considered as the leading cause of blindness in working age population.
Diabetic Retinopathy is a silent disease and is only recognized when the changes on the
retina have progressed to a level at which treatment turns complicate, so an early diagnosis
and referral to an ophthalmologist or optometrist for the management of this disease can
prevent 98% of severe visual loss.
Nowadays, one of the areas of research that is attracting the interest of scientists and
physicians is the medical image analysis. This analysis consist in the study of digital images
in order to provide computational tools that assist the medical specialist in taking decisions
based on the quantification and visualization of the pathology of interest and their anatomical
structures.
Under the preceding context, this master degree thesis shows a development of a Computer
Aided Diagnosis System for the detection of Non Proliferative Diabetic Retinopathy through
the implementation of Digital Image Processing and Back-Propagation Neural Networks
algorithms.
The Diabetic Retinopathy images, as well as the medical support were supplied by the
“General Ignacio Zaragoza” Hospital of the ISSSTE and Ophthalmology Service of the High
Specialized Medical Unit of the National Medical Center “La Raza” of the IMSS.
Experimental results show that the proposed Computer Aided Diagnosis System presents
optimal results in terms of right detection of absence or presence of the disease and their
stages, obtaining a sensibility and specificity of 95% in comparison with other similar
systems, whose, sensibility and specificity are in the range of 83.4% to 94%.
iv
Dedicatorias
Con profundo respeto, cariño y admiración
A Dios
A mis padres:
Jesús Salvador Velázquez López y Rosa Aurora González Heredia.
A mi hermano:
Rodrigo Velázquez González
A mi novia:
Brenda Itzel Milanés Zazueta
A las Familias:
Velázquez López
González Herédia
Milanés Zazueta
A mis directores de tesis:
Dr. Francisco Javier Gallegos Funes.
Dra. Guadalupe de Jesús Guzmán Bárcenas.
v
Agradecimientos
A Dios por darme la vida, el amor, la salud, la fuerza de voluntad y la dicha de
materializar mis sueños día con día.
A mis padres por heredarme en vida los tesoros más valiosos que pueden dársele a
un hijo: amor, cariño, alegrías y educación. También les quiero agradecer por
haberme inculcado sus valores morales y su energía perseverante para seguir
adelante, así como sus consejos, apoyo incondicional, dedicación y sobre todo el
sacrificio de gran parte de sus vidas para hacer de mí un hombre de bien.
A mi hermano por brindarme todo su apoyo, confianza, cariño, tiempo y sobre
todo su amistad incondicional en cada una de las etapas de mi vida. Gracias por
ser para mí un ejemplo a seguir.
A mi novia por compartir conmigo su vida, su amor y sus sueños, además de
tenerme paciencia, apoyarme, entenderme y alentarme a lograr esta meta. Gracias
por ser junto con mis papas y mi hermano, la luz en mi camino y la razón para
seguir adelante.
A las familias Velázquez López, González Herédia y Milanés Zazueta por las
palabras de aliento, sus consejos y por todos los momentos gratos que hemos pasado
juntos.
Al Dr. Raúl Peña Rivero por brindarme la oportunidad de vivir esta experiencia,
así como, por su tiempo, sus enseñanzas y sus recomendaciones.
A mis directores de tesis el Dr. Francisco Javier Gallegos Funes y la Dra.
Guadalupe de Jesús Guzmán Bárcenas por brindarme su amistad, confianza,
dedicación y paciencia durante la realización de este trabajo de tesis.
A los Doctores José Manuel de la Rosa Vázquez, Alberto Jorge Rosales Silva, José
Alfredo Tirado Méndez, Alexander Michtchenko, Suren Stolik Isakina, José Hiram
Espina Hernández, Roberto Linares y Miranda, así como al M. en C. José Héctor
Caltenco Franca, por sus enseñanzas, comentarios y recomendaciones
proporcionadas durante el desarrollo de esta tesis y de mi formación profesional.
A Mónica, Mary Cruz y Lulú por todas las atenciones brindadas durante mis
estudios de maestría en esta sección.
Al Sr. Rodolfo Soria por su amistad y sus consejos.
A Saúl Mújica y Hazael Mendoza por brindarme su valiosa amistad, confianza y
apoyo incondicional, así como por los consejos, palabras de aliento y todos aquellos
momentos agradables que hemos vivido.
vi
A Luis Felipe y Carlos Noé, por haberme brindado su confianza y amistad desde el
primer día de clases en esta sección, también les quiero agradecer todo su apoyo,
consejos, recomendaciones y asesorías.
A Diego Fabila, Elder Villafañe y Alejandro de la Cadena por su amistad,
recomendaciones y consejos.
A mis compañeros de maestría y amigos del laboratorio de Señales y Sistemas
(Mariana Vázquez, Elena Dmitrieva, José Portillo, Mario Dehesa, Belmar García,
Jean M. Kinani y Agustín Tortolero) por hacer más amena y divertida la vida
académica en esta sección.
A la M. en C. Alejandra Guadalupe Barbeyto Hernández, directora del Centro
Interdisciplinario de Ciencias de la Salud Unidad Santo Tomas por su amistad,
apoyo y facilidades otorgadas para la realización de esta tesis.
A las Licenciadas Optometristas Olga Martínez Vargas, Adriana Aglade Álvarez
López y Alejandra Guerrero Zepeda, así como, al M. en C. José Guadalupe Salinas
Doroteo del Centro Interdisciplinario de Ciencias de la Salud Unidad Santo Tomas
por sus consejos y críticas constructivas durante la realización de esta tesis.
A la Dra. Luz Belem Guzmán Bárcenas, médico especialista adscrito al Servicio de
Oftalmología del Hospital Regional General Ignacio Zaragoza del ISSSTE y al Dr.
Roberto Ortiz Lerma, jefe del departamento clínico de Oftalmología de la Unidad
Médica de Alta Especialidad del Centro Médico Nacional La Raza del IMSS por el
soporte médico, consejos, orientación y observaciones que contribuyeron a la
realización de esta tesis.
AL Instituto Politécnico Nacional por todas las experiencias vividas durante mi
formación académica, personal y profesional durante estos 10 años.
Al CONACyT y al PIFI, por el apoyo económico que me fue otorgado durante la
realización de esta tesis.
Y por último y no por eso menos importantes, a mis amigos Alinne Estrella, Erika
Hernández, María Pescador, Jairo García, Abraham Nova, Hugo Castro, Jesús
Castillo, Rubén aka Russo, Francisco Rodríguez y Daniel Lepiz, por su amistad,
tiempo, vivencias y palabras de aliento, así como por sus observaciones y
preguntas.
De antemano ofrezco una disculpa si omití a alguien en este apartado, pues detrás
de esta tesis hay una gran cantidad de personas que me apoyaron de una u otra
forma para poder hacer realidad este sueño, a todas estas personas de todo corazón
les doy las Gracias.
Jesús Salvador Velázquez González
vii
"Sólo aquel que se consagra a una causa, con toda su
fuerza y alma, puede ser un verdadero maestro. Por
esta razón, ser maestro lo exige todo de una
persona".
Albert Einstein
viii
Índice General
Acta de Revisión de Tesis ............................................................................................................................. i
Carta Cesión de derechos ............................................................................................................................ ii
Resumen....................................................................................................................................................... iii
Abstract ........................................................................................................................................................ iv
Dedicatorias .................................................................................................................................................. v
Agradecimientos........................................................................................................................................... vi
Índice General .............................................................................................................................................. ix
Índice de Figuras ........................................................................................................................................ xii
Índice de Tablas.......................................................................................................................................... xv
Abreviaturas y Nomenclaturas................................................................................................................... xvi
Capitulo 1.- Introducción al proyecto............................................................................................................ 1
1.1
Introducción .......................................................................................................................... 1
1.2
Planteamiento Del Problema ................................................................................................. 3
1.3
Objetivo General .................................................................................................................. 3
1.4
Objetivos Particulares ........................................................................................................... 4
1.5
Justificación ......................................................................................................................... 4
1.6
Organización De La Tesis ..................................................................................................... 6
1.7
Referencias ......................................................................................................................... 6
Capítulo 2.- Fundamentos de la Retinopatía Diabética ............................................................................... 9
2.1
Introducción ......................................................................................................................... 9
2.2
Anatomía del ojo .................................................................................................................. 9
2.2.1
La Retina.........................................................................................................................11
2.3
Perspectivas de la Retinopatía Diabética ............................................................................... 16
2.4
Retinopatía Diabética No Proliferativa ................................................................................... 18
2.5
Clasificación de la Retinopatía Diabética ............................................................................... 21
2.5.1
2.6
Estadios de la Retinopatía Diabética No Proliferativa ......................................................... 21
Métodos de detección de la Retinopatía Diabética .................................................................22
2.6.1
Oftalmoscopía ................................................................................................................ 23
2.6.1.1 Oftalmoscopía directa .............................................................................................. 23
2.6.1.2 Oftalmoscopía indirecta ........................................................................................... 23
2.6.1.3 Oftalmoscopía indirecta con lámpara de hendidura .................................................... 24
2.6.2
Fotografía del fondo de ojo ............................................................................................. 24
2.6.3
Frecuencia de exploración .............................................................................................. 25
2.7
Algoritmos Propuestos en la Literatura ................................................................................. 26
ix
2.7.1
Detección de Microaneurísmas ........................................................................................ 26
2.7.2
Detección de Exudados Duros ........................................................................................ 27
2.8
Conclusiones ..................................................................................................................... 28
2.9
Referencias ....................................................................................................................... 28
Capútilo 3.- Elementos de un Sistema CADx ............................................................................................ 32
3.1
Introducción ....................................................................................................................... 32
3.2
Detección Asistida por Computadora ................................................................................... 32
3.3
Diagnóstico Asistido por Computadora ................................................................................. 33
3.4
Sistema Diagnóstico Asistido por Computadora .................................................................... 33
3.5
Imagen Digital.................................................................................................................... 34
3.5.1 Propiedades de las imágenes digitales ............................................................................... 34
3.5.2 Espacio de color RGB ...................................................................................................... 36
3.5.3 Adquisición de las retinografías ......................................................................................... 36
3.6
Pre-procesamiento ............................................................................................................. 37
3.6.1 Normalización del tamaño de las imágenes ........................................................................ 37
3.6.1.1 Interpolación de una imagen .................................................................................... 38
3.6.2 Descomposición del espacio de color RGB ........................................................................ 39
3.6.3 Conversión del espacio de color RGB a escala de grises .................................................... 40
3.6.4 Mejora del contraste.......................................................................................................... 41
3.6.4.1 Ajuste de los valores de intensidad ........................................................................... 41
3.6.4.2 Ecualización del histograma .................................................................................... 42
3.6.5 Negativo de una imagen................................................................................................... 44
3.7
Segmentación .................................................................................................................... 45
3.7.1
Binarización ................................................................................................................... 45
3.7.1.1 Binarización local..................................................................................................... 46
3.7.1.2 Binarización global .................................................................................................. 46
3.7.1.2.1 Algoritmo de González y Woods ................................................................... 46
3.7.1.2.2 Algoritmo de Otsu ....................................................................................... 47
3.7.1.3 Binarización con histéresis ....................................................................................... 48
3.7.2
Detección de bordes....................................................................................................... 49
3.7.2.1 Operadores basados en la primera derivada (Gradiente) ........................................... 50
3.7.2.2 Operadores basados en la segunda derivada ........................................................... 52
3.7.3
Morfología matemática .................................................................................................... 55
3.7.3.1 Dilatación ............................................................................................................... 55
3.7.3.2 Erosión .................................................................................................................. 56
3.7.3.3 Apertura................................................................................................................. 56
3.7.3.4 Clausura ................................................................................................................ 57
3.8
Análisis de características ................................................................................................... 58
x
3.8.1
Cálculo de magnitudes geométricas ................................................................................. 58
3.8.2
Análisis de textura .......................................................................................................... 60
3.9
Redes Neuronales............................................................................................................... 61
3.9.1
Redes Neuronales Biológicas ........................................................................................... 61
3.9.2
Redes Neuronales Artificiales .......................................................................................... 62
3.9.2.1 Estructura básica .................................................................................................... 62
3.9.2.2 Aprendizaje de las redes neuronales artificiales ........................................................ 63
3.9.2.3 Red Neuronal de Retropropagación ......................................................................... 64
3.9.2.3.1 Estructura y Aprendizaje............................................................................. 65
3.9.2.3.2 Dimensión de la red y número de neuronas ocultas. .................................... 69
3.10
Conclusiones ..................................................................................................................... 70
3.11
Referencias ....................................................................................................................... 70
Capítulo 4.- Algoritmo Propuesto................................................................................................................ 74
4.1
Introducción ....................................................................................................................... 74
4.2
Segmentación de los Vasos Sanguíneos .............................................................................. 74
4.2.1
4.3
Resultados de la Segmentación de los Vasos Sanguíneos ................................................ 80
Segmentación de patologías ............................................................................................... 82
4.3.1
Segmentación de Microaneurísmas.................................................................................. 82
4.3.1.1 Resultados de la Segmentación de los Microaneurísmas ............................................ 86
4.3.2
Segmentación de Exudados Duros .................................................................................. 88
4.3.2.1 Resultados de la Segmentación de los Exudados Duros ............................................. 91
4.4
Análisis de texturas ............................................................................................................ 93
4.4.1
Homogeneidad y Entropía ............................................................................................... 93
4.4.1.1 Resultados del análisis de texturas ........................................................................... 94
4.5
Análisis de Varianza (ANOVA) ........................................................................................... 97
4.6
Toma de decisiones ........................................................................................................... 99
4.6.1 Resultados Experimentales .............................................................................................. 101
4.7
Conclusiones .................................................................................................................... 102
4.8
Referencias ...................................................................................................................... 103
Capítulo 5.- Resultados, Conclusiones y Trabajo a Futuro ..................................................................... 105
5.1
Introducción ...................................................................................................................... 105
5.2.
Evaluación del Sistema Diagnóstico Asistido por Computadora ............................................. 105
5.2.1
Resultados experimentales del Sistema CADx ................................................................. 107
5.3
Interfaz Gráfica .................................................................................................................. 111
5.4
Conclusiones .....................................................................................................................112
5.5
Trabajo a futuro .................................................................................................................113
5.6
Referencias .......................................................................................................................114
Difusión del Trabajo de Tesis .................................................................................................................. 116
xi
Índice de Figuras
Figura 2.1 Comparación de la anatomía del ojo con los componentes de una cámara fotográfica. _______ 10
Figura 2.2 Sección transversal del ojo humano. _______________________________________________ 10
Figura 2.3 Diagrama esquemático de los fotorreceptores. El núcleo esta designado por “N” y la mitocondria
por“M”. ________________________________________________________________________________ 11
Figura 2.4 Sensibilidad espectral de los fotorreceptores. ________________________________________ 12
Figura 2 5 Espectro electromagnético. _______________________________________________________ 13
Figura 2.6 Refracción de la luz roja, verde y azul en la retina. ___________________________________ 14
Figura 2.7 Diagrama ilustrativo del fondo de ojo. ______________________________________________ 15
Figura 2 8 Polo posterior del ojo izquierdo Muestra: a) La mácula, la fóvea, el disco óptico y la cabeza del
nervio óptico y b) Los cuatro cuadrantes en que se divide el fondo de ojo, _________________________ 15
Figura 2.9 Comparación entre .una retina normal y una con Retinopatía Diabética. ___________________ 16
Figura 2 10 Efecto de la Retinopatía Diabética en la visión. (a) Con Retinopatía y (b) Sin Retinopatía. __ 17
Figura 2.11 Imágenes del fondo de ojo: a) Sin RD, b) con RDNP presenta Microaneurísmas y hemorragias,
______________________________________________________________________________________ 20
Figura 2.12 Fragmentos de Imágenes del fondo de ojo: con anomalías venosas en forma de salchichas, b)
con bucle venoso prominente y c) con IRMA presenta una ramificación anormal de los vasos que proceden
del lecho capilar. ________________________________________________________________________ 20
Figura 2.13 Exploración del fondo de ojo mediante oftalmoscopia directa. __________________________ 23
Figura 2.14 Exploración del fondo de ojo mediante oftalmoscopia: a) Indirecta y b) Indirecta con lámpara
de hendidura. __________________________________________________________________________ 24
Figura 2.15 a) Cámara de fondo de ojo de la casa Carl Zeiss VISUCAMNM/FA, b) retinografía a color. ___ 25
Figura 3.1 Arquitectura de un Sistema Diagnóstico Asistido por Computadora (Sistema CADx). _______ 33
Figura 3.2 Representación de la convención de imágenes digitales. El valor de y se incrementa de
izquierda a derecha, mientras que el valor de x se incrementa de arriba hacia abajo. _______________ 34
Figura 3.3 Representación de una imagen digital. a) En escala de grises y b) A color RGB. _________ 35
Figura 3.4 Componentes de una imagen. a) Imagen RGB (color verdadero), b) Componente Roja, ____ 36
Figura 3.5 Imagen normalizada._______________________________________________________ 38
Figura 3.6 Descomposición del espacio de color RGB: a) Plano Rojo (R), b) Plano Verde (G), y c) Plano
Azul (B). ________________________________________________________________________ 40
Figura 3.7 Imagen en escala de grises _________________________________________________ 40
Figura 3.8 Conversión del espacio de color. a) Plano Rojo, b) Plano Verde, y c) Plano Azul. ________ 41
Figura 3.9 Curvas de ajuste de contraste. _______________________________________________ 42
xii
Figura 3.10 Implementación de los algoritmos de mejora de contraste en imágenes en escala de grises: a)
Imagen original en escala de grises y su histograma, b) Ajuste de los valores de intensidad y c)
Ecualización del histograma. _________________________________________________________ 43
Figura 3.11 Algunas funciones básicas de transformaciones de intensidad. Todas las curvas están
escaladas para ajustarse en el intervalo mostrado. _________________________________________ 44
Figura 3.12 a) Imagen digital original y b) Negativo de la imagen. _____________________________ 45
Figura 3.13 Conceptos de primera y segunda derivada para la detección de bordes. _______________ 49
Figura 3.14 Operadores basados en la primera derivada. Máscara del operador a) Roberts, b) Prewitt, c)
Sobel y d) Frei Chen. Donde
es en sentido horizontal y
es en sentido vertical. ______________ 51
Figura 3.15 Operadores basados en la segunda derivada. A) Máscaras del operador Laplaciano y b)
Máscaras del operador Laplaciano del Gaussiano. _________________________________________ 53
Figura 3.16 Detección de bordes. a) Imagen ESIME en escala de grises, b) Operador de Roberts, c)
Operador de Prewitt, d) Operador de Sobel, e) Algoritmo de Canny, f) Operador Laplaciano y g) Operador
LoG. ___________________________________________________________________________ 54
Figura 3.17 Detección de bordes. a) Retinografía en escala de grises, b) Operador de Roberts,
c) Operador de Prewitt, d) Operador de Sobel, e) Algoritmo de Canny, f) Operador Laplaciano y
g) Operador LoG. _________________________________________________________________ 54
Figura 3.18 Elementos estructurales de 3 x 3, donde el punto de origen está representado en color
morado. _________________________________________________________________________ 55
Figura 3.19 Operadores morfológicos en una imagen binaria. a) Imagen binaria original, b) Dilatación, c)
Erosión, d) Apertura y e) Clausura. ____________________________________________________ 57
Figura 3.20 Operadores morfológicos en una imagen en escala de grises. a) Imagen en escala de grises
original, b) Dilatación, c) Erosión, d) Apertura y e) Clausura. ________________________________ 58
Figura 3.21 Eje máximo y eje mínimo. __________________________________________________ 59
Figura 3.22 Representación esquemática de una neurona. ___________________________________ 61
Figura 3.23 Diagrama básico de una red neuronal artificial. __________________________________ 63
Figura 3.24 Superficie de error. _______________________________________________________ 65
Figura 3.25 Arquitectura de una Red Neuronal de Retropropagación. ___________________________66
Figura 4.1 Diagrama de bloques del algoritmo propuesto para la segmentación de los Vasos Sanguíneos. __ 75
Figura 4.2 Diagrama de bloques para la segmentación de los Vasos Sanguíneos con presencia de ruido. ___ 75
Figura 4.3 Pasos para la segmentación de los Vasos Sanguíneos con presencia de ruido.
a) Imagen normalizada, b) Componente verde de la retinografía, c) Retinografía en escala de grises,
d) Negativo de la retinografía, e) Ecualización del histograma, f) Apertura Morfológica, g) Eliminación del
disco óptico, h) Binarización e i) Segmentación de los Vasos Sanguíneos con presencia de ruido. _____ 76
Figura 4.4 Diagrama a bloques de los métodos desarrollados para la creación del borde circular de la
retinografía. ______________________________________________________________________ 77
xiii
Figura 4.5 Creación del borde circular de la retinografía usando el método número 1. a) Imagen en escala
de grises, b) Ajuste de los valores de intensidad, c) Detección de bordes y d) Borde circular de la
retinografía. ______________________________________________________________________ 77
Figura 4.6 Creación del borde circular de la retinografía usando el método número 2. a) Negativo de la
imagen, b) Binarización y c) Borde circular de la retinografía. ________________________________ 78
Figura 4.7 Diagrama de bloques para la segmentación de los Vasos Sanguíneos y el disco óptico. ____ 78
Figura 4.8 Imagen resultante de la apertura morfológica de la etapa de segmentación de los Vasos
Sanguíneos con presencia de ruido. ____________________________________________________ 78
Figura 4.9 Pasos para la segmentación de los Vasos Sanguíneos. a) Mascara del disco óptico, b) Ajuste
de intensidad, c) Binarización, d) Apertura Morfológica, e) Vasos Sanguíneos conectados al disco óptico y
f) Segmentación final de los Vasos Sanguíneos. __________________________________________ 79
Figura 4.10 Segmentación de los Vasos Sanguíneos. ______________________________________ 80
Figura 4.11 Microaneurísmas. ________________________________________________________ 82
Figura 4.12 Diagrama a bloques del algoritmo propuesto para la segmentación de los Microaneurísmas. 82
Figura 4.13 Diagrama a bloques de la segmentación de los Microaneurísmas con presencia de ruido. __ 83
Figura 4.14 Segmentación de los Microaneurísmas con presencia de ruido. ______________________ 83
Figura 4.15 Pasos para la segmentación de los Microaneurísmas con presencia de ruido. a) Componente
Verde, b) Imagen en escala de grises, c) 1era Ecualización del histograma, d) 2da Ecualización del
histograma, ______________________________________________________________________ 84
Figura 4.16 Pasos para la eliminación de los Exudados Duros y los Vasos Sanguíneos._____________ 84
Figura 4.17 Pasos para la segmentación de los Microaneurísmas. a) Imagen binarizada, ____________ 85
Figura 4.18 Segmentación de los Microaneurísmas. ________________________________________ 86
Figura 4.19 Diagrama a bloques del algoritmo propuesto para la segmentación de los Exudados Duros. 88
Figura 4.20 Pasos para la eliminación de los Vasos Sanguíneos. ______________________________ 88
Figura 4.21 Pasos para la eliminación de los Vasos Sanguíneos: a) Imagen RGB redimensionada, ____ 89
Figura 4.22 Pasos para la detección de los Exudados Duros. ________________________________ 89
Figura 4.23 Pasos para la detección de los Exudados Duros: a) Imagen binarizada, _______________ 90
Figura 4.24 Segmentación de los Exudados Duros. ________________________________________ 91
Figura 4.25 Diagrama a bloques del análisis de texturas. ____________________________________ 93
Figura 4.26 Calculo de la Homogeneidad. _______________________________________________ 93
Figura 4.27 Calculo de la Entropía. ____________________________________________________ 94
Figura 4.28 Diagrama de cajas del área total de la segmentación de: a) Vasos Sanguíneos, _________ 98
Figura 4.29 Diagrama de cajas para los valores de: a) Homogeneidad y b) Entropía. ______________99
Figura 4.30 Arquitectura de la Red Neuronal de Retropropagación. ___________________________ 100
Figura 4.31 Convergencia de la red neuronal de retropropagación.____________________________ 102
Figura 5.1 Interfaz gráfica. ___________________________________________________________ 111
xiv
Índice de Tablas
Tabla 2.1 Escala de Severidad de la Retinopatía Diabética propuesta por la Alfediam. ______________ 22
Tabla 2.2 Exploración Oftalmológica en pacientes con Diabetes. ______________________________ 26
Tabla 3.1 Características de las imágenes empleadas en este trabajo. __________________________ 37
Tabla 4.1 Área total de los Vasos Sanguíneos segmentados. _________________________________ 81
Tabla 4.2 Área total de los Microaneurísmas segmentados. __________________________________ 87
Tabla 4.3 Área total de los Exudados Duros segmentados. __________________________________ 92
Tabla 4.4 Valores de la Homogeneidad._________________________________________________ 95
Tabla 4.5 Valores de la Entropía. ______________________________________________________96
Tabla 4.6 Media y Desviación Estándar de las características propuestas como entradas de la Red
Neuronal Artificial. _________________________________________________________________ 97
Tabla 4.7 Representación Binaria de las neuronas de la capa de salida. _______________________ 100
Tabla 4.8 Vector de entrenamiento. ___________________________________________________ 101
Tabla 5. 1 Tabla de contingencia. _________________________________________________________ 106
Tabla 5. 2 Vector de validación de la Red Neuronal de Retropropagación. ________________________ 107
Tabla 5. 3 Validación del diagnostico ______________________________________________________ 108
Tabla 5. 4 Tabla de contingencia del Diagnóstico emitido por la Red Neuronal de Retropropagación. ___ 109
Tabla 5. 5 Índices de calidad del diagnóstico emitido por la Red Neuronal de Retropropagación. ______ 109
Tabla 5. 6 Cantidad de errores al indicar la gravedad del paciente verdaderamente enfermo__________ 110
Tabla 5. 7 Porcentaje de error en la clasificación de la gravedad del paciente verdaderamente enfermo _ 110
Tabla 5. 8 Comparativa entre algoritmos ___________________________________________________ 112
xv
Abreviaturas y Nomenclaturas
Apertura Morfológica
EB
Exudados Blandos
Clausura Morfológica
ED
Exudados Duros
Dilatación Morfológica
(
)
Erosión Morfológica
(
)
Imagen bidimensional
Función de activación
de la RNA
(
Función Laplaciana de una imagen
⃗[
( )
( )
λ
]
Gradiente de una imagen
)
Imagen en escala de grises
Escala de grises
GS
Valor de conversión de energía
Imagen en escala de grises
radiante en percepción de los conos S
de la componente roja
Valor de conversión de energía
Imagen en escala de grises
radiante en percepción de los conos M
de la componente verde
Longitud de onda
Imagen en escala de grises
de la componente azul
µAn
Microaneurísmas
µm
Micro metros
( )
( )
(
)
Histograma de la imagen
Hemorragias retinianas
H
Varianza entre clases de la Red
nivel de intensidad en el
Neuronal Artificial
intervalo [0, 255]
Valor de conversión de energía
Valores de intensidad a la entrada
radiante en percepción de los conos L
(antes de obtener el negativo de la
imagen)
Dirección de la distancia
entre
LoG
los pixeles a y b
Gaussiano
( )
Pixel que aparece en la ventana de
una imagen
AV
Operador Laplaciano del
Media de la intensidad de los
pixeles del conjunto
( )
Anormalidades de las venas
Media de la intensidad de los
pixeles del conjunto
Pixel que aparece en la ventana de
Media global
una imagen
Distancia entre los pixeles a y b
Pixel asignado al i-ésimo valor
xvi
( )
Probabilidad de que exista el conjunto
Coordenadas del centroide
( )
Probabilidad de que exista el conjunto
Peso del vector de la RNA
Espectro equienergético
Asociación Francesa para el
ALFEDIAM
estudio de la Diabetes y
enfermedades metabólicas
( )
4-vecinos de
ANN
Artificial Neural Network
(Red Neuronal Artificial)
( )
8-vecinos de
bpp
Profundidad del color
(bits por pixel)
Computer Aided Detection
Número total de pixeles en la imagen
CADe
(Detección Asistida por
computadora)
( )
4-vecinos diagonales de
Computer Aided Diagnosis System
CADxS
(Sistema Diagnóstico Asistida
por computadora)
Producto escalar del peso por
DM
Diabetes Mellitus
el vector de entrada de la RNA.
No neovascularización
NV=0
(
)
Early Treatment Diabetic Retinopathy
ETDRS
Study. (Estudio de la Retinopatía
FDA
Función de Distribución Acumulada
Histograma normalizado de la imagen
FN
Falsos Negativos
Valor del pixel antes del procesamiento
FP
Falsos Positivos
Radio del círculo (máscara del disco
HSI
H=Matiz, S=Saturación, I=Intensidad
Nivel de intensidad
IRMA
Anomalías Microvasculares Retinianas
Valor del pixel después del
OMS
Organización Mundial de la Salud
Pixel del elemento segmentado
PDI
Procesamiento Digital de Imágenes
Valor de umbral establecido
PIO
Presión Intraocular
Coordenadas del i-ésimo pixel
RD
Retinopatía Diabética
Coordenadas del centroide
RDNP
Retinopatía Diabética No Proliferativa
Coordenadas del i-ésimo pixel.
RDP
Retinopatía Diabética Proliferativa
Frecuencia de aparición de 2 pixeles en la
imagen
Diabética para el tratamiento oportuno)
óptico)
procesamiento
(negativo de la imagen)
(
)
xvii
RNA
Red Neuronal Artificial
RGB
Colores en una imagen
RNRP
Red Neuronal de Retropropagación
VN
Verdadero Negativo
VP
Verdadero Positivo
(R=Rojo, G=Verde, B=Azul)
xviii
Capítulo
1
Introducción al proyecto
“El secreto de la felicidad no es hacer siempre lo que se quiere, sino querer siempre lo que se hace”.
León Tolstoi (1828-1910)
1.1
Introducción
La diabetes mellitus (DM) se define como un grupo de trastornos crónico-degenerativos que
involucran una serie de alteraciones en el metabolismo de los carbohidratos, lípidos y proteínas,
como consecuencia de una disminución en la producción de la hormona insulina por las células β
del páncreas y una resistencia a la acción de dicha hormona en los diferentes tejidos
(principalmente tejido graso y muscular). Estas alteraciones en el metabolismo condicionan
estados hiperglucémicos prolongados con la ulterior afección al sistema nervioso central y
periférico, sistema cardiovascular, riñones, hígado y cristalino [1].
La diabetes mellitus tipo 1 o insulinodependiente (DM1) y la tipo 2 o no insulinodependiente
(DM2) y sus complicaciones están dentro de las primeras causas de discapacidad en la
población económicamente activa y son uno de los problemas de salud pública más importantes
a nivel mundial [1]. La Organización Mundial de la Salud (OMS) estima que a nivel mundial
existen más de 220 millones de personas con DM, de las cuales solo la mitad tienen
conocimiento de esta enfermedad [1].
El principal objetivo del tratamiento oportuno en un paciente diabético, es retrasar el mayor
tiempo posible la aparición de las complicaciones en los diferentes tejidos del organismo, entre
ellos y el que nos ocupa en esta tesis, la retina.
1
Capítulo 1
Introducción al proyecto
Una de las complicaciones más grave de la diabetes mellitus es la Retinopatía Diabética (RD)
[2], la cual es considerada como la principal causa de ceguera en la población económicamente
activa, ya que afecta a personas entre los 20 y 74 años de edad [3,4]. La RD es una
enfermedad silente en la que el enfermo se percata de ella hasta que muestra síntomas
relacionados con alteraciones en la agudeza visual y disminución de los campos visuales,
momento en el cual, la retinopatía se encuentra en estados avanzados y con un pronóstico
desfavorable aun con el tratamiento adecuado.
El diagnóstico y tratamiento oportuno de la Retinopatía Diabética aunado a la aplicación del láser
de Argón sobre las lesiones retinianas (fotocoagulación panretiniana) pueden reducir
significativamente la aparición de la ceguera. El objetivo de esta cirugía láser, es prevenir la
pérdida de visión, por lo que el momento óptimo para recibir el tratamiento debe ser antes de
presentar síntomas a nivel visual [5]. Los síntomas visuales más característicos de la RD son
miodesopsias (partículas flotantes), visión borrosa o poco clara de forma progresiva en algunos o
varios de los cuadrantes de la retina, pérdida progresiva de la visión periférica y cataratas.
El diagnóstico oportuno en los primeros estadios de la Retinopatía Diabética (Retinopatía
Diabética No Proliferativa) y su apropiada canalización al profesional de la salud visual para su
manejo pertinente, pueden controlar la pérdida visual grave en el 98% de los casos [6].
Por otro lado, con el desarrollo de nuevas tecnologías y el uso de equipos sofisticados para la
detección de enfermedades, el diagnóstico médico se ha vuelto más fácil, un ejemplo de ello es
la exploración del fondo de ojo mediante la cámara de fondo de ojo. Este tipo de exploración
permite obtener fotografías digitales a color de la retina también llamadas retinografías, lo cual
ofrece un campo de visión amplio para analizar a detalle el fondo de ojo [7]. Al ser un sistema
electrónico que funciona con un programa predeterminado se puede proyectar una serie de
imágenes de la retina central y periférica en un monitor, y al mismo tiempo almacenar estas
imágenes en una base de datos para futuras consultas.
Si bien este sistema facilita la realización de la exploración del fondo de ojo no hay que olvidar
que aún queda trabajo pendiente ya que este sistema solo proporciona las imágenes, por lo que
el profesional de la salud visual tendrá que realizar un análisis de estas imágenes hasta obtener
un diagnóstico acertado.
2
Capítulo 1
1.2
Introducción al proyecto
Planteamiento Del Problema
La mayoría de los pacientes diagnosticados con diabetes mellitus en algún momento de su vida
desarrollarán Retinopatía Diabética, por lo que la exploración del fondo de ojo y el examen visual
juegan un papel determinante en la detección oportuna de la Retinopatía Diabética. El examen
completo de la vista incluye: revisión optométrica, revisión de la visión binocular, revisión del
estado de salud ocular; destacando la revisión de la presión intraocular (PIO) y el examen o
exploración del fondo de ojo [8]. Este último es esencial en la detección y diagnóstico de
enfermedades asociadas con el vítreo, el nervio óptico, la retina y la coroides [8,9].
La Asociación Americana de la Diabetes (American Diabetes Association) recomienda la
exploración del fondo de ojo en los pacientes con diabetes mellitus una vez al año y cada 4
meses en caso de que presente Retinopatía Diabética [8].
La exploración de fondo de ojo con la cámara digital, realizada a los pacientes con Retinopatía
Diabética proporciona un gran número de imágenes, mismas que deben ser revisadas por los
profesionales de la salud visual, empleando una gran cantidad de tiempo por paciente, limitando
el número de consultas por día [10].
Con esta motivación en mente, en este trabajó de tesis se desarrolló un Sistema Diagnóstico
Asistido por Computadora o CADx System (Computer Aided Diagnosis System por sus siglas en
inglés) que sirve de apoyo al profesional de la salud visual en el análisis de las imágenes de
fondo de ojo como una herramienta auxiliar en la toma de decisiones al momento de emitir un
diagnóstico.
1.3
Objetivo General
Desarrollar un Sistema Diagnóstico Asistido por Computadora que sea capaz de detectar y
diagnosticar de manera automática la No Retinopatía Diabética (Retina Sana) y los estadios
tempranos de la Retinopatía Diabética No Proliferativa a partir del análisis de criterios clínicos en
una imagen del fondo de ojo.
3
Capítulo 1
1.4
Introducción al proyecto
Objetivos Particulares
 Implementar algoritmos de pre-procesamiento para resaltar los detalles presentes en las
imágenes del fondo de ojo.
 Detectar y segmentar de manera automática las características de la retina: Red Vascular
y disco óptico.
 Detectar y segmentar de manera automática las patologías: Microaneurísmas y Exudados
Duros.
 Implementar algoritmos para la extracción de las características de interés y para el
análisis de los objetos segmentados.
 Implementar algoritmos inteligentes para la clasificación de la No Retinopatía Diabética y
de los estadios iniciales de la Retinopatía Diabética (Retinopatía Diabética No
Proliferativa).
 Obtener una sensibilidad y una especificidad igual o mayor al 90%.
 Diseñar una interfaz gráfica.
1.5
Justificación
Actualmente una de las áreas de vanguardia en la investigación médica es el análisis de
imágenes médicas asistidas por computadora. Este trabajo consiste en el estudio de las
imágenes digitales de la retina a través de herramientas computacionales que asistan a la
cuantificación y visualización de la estructura anatómica y la presencia de alteraciones anatomopatológicas. Actualmente los profesionales de la salud cuentan con programas computacionales
que los auxilian en la toma de decisiones al momento de emitir un diagnóstico, así como, en el
tratamiento de los pacientes, mejorando con ello la eficiencia y eficacia de la atención médica
[12].
4
Capítulo 1
Introducción al proyecto
Sin embargo, el apoyo con estos programas computacionales es una tarea multidisciplinaria que
requiere de un conocimiento amplio de diversas disciplinas, tales como medicina, procesamiento
digital de imágenes, visión por computadora, reconocimiento de patrones, aprendizaje automático
y sistemas expertos, entre otros.
Las técnicas de Diagnóstico Asistido por Computadora o CADx (Computer Aided Diagnosis por
sus siglas en inglés) tratan de caracterizar y detectar patrones normales y anormales dentro de la
imagen, con el fin de mejorar la precisión en el diagnóstico emitido por los profesionales de la
salud visual (aproximadamente del 90% [10]). Básicamente, estos sistemas intentan detectar
regiones en las que se sospechen alteraciones (por ejemplo, hemorragias, exudados, infartos,
microaneurísmas, etc.) y resaltarlas de algún modo sobre la propia imagen.
Por otro lado, la exploración de la retina mediante el oftalmoscopio es una forma segura y precisa
para identificar a las personas con Retinopatía Diabética en estadios avanzados [13,14], sin
embargo, algunos estudios han demostrado que el uso de las retinografías (imágenes digitales)
es más sensible en la identificación de Retinopatía Diabética en estadios tempranos que el
examen clínico con el oftalmoscopio [15-17]. Por lo tanto, el desarrollo de un Sistema
Diagnóstico Asistido por Computadora podrá ser útil en el proceso de detección de Retinopatía
Diabética, pretendiendo que sea una herramienta de apoyo a los profesionales de la salud visual
para evaluar las imágenes del fondo de ojo [18]. Cabe mencionar que el análisis automatizado
de las imágenes del fondo de ojo (retinografías) a través de un Sistema Diagnóstico Asistido por
Computadora puede ahorrar costos y tiempo de manera significativa, tomando en cuenta el gran
número de imágenes de la retina que necesitan ser impresas y posteriormente revisadas
manualmente por los profesionales de la salud visual cada año [11].
Se decidió proponer la Retinopatía Diabética No Proliferativa como objeto de estudio de esta tesis
porque es la fase inicial de la Retinopatía Diabética y representa el 80% de todos los casos
[19]. Además de que el diagnóstico en esta etapa clínica y su canalización oportuna con el
profesional de la salud visual para un tratamiento eficaz pueden prevenir el avance de la
enfermedad y sus complicaciones.
5
Capítulo 1
1.6
Introducción al proyecto
Organización De La Tesis
El contenido de esta tesis está organizado de la siguiente forma:
 Capítulo 2: Fundamentos de Retinopatía Diabética.- En este capítulo se describen los
fundamentos médicos empleados en la realización de este trabajo de tesis. Así como los
principales algoritmos y sistemas de análisis de imágenes del fondo de ojo que se han
propuesto en la literatura.
 Capítulo 3: Elementos de un Sistema CADx- En este capítulo se presentan los
fundamentos teóricos de un Sistema Diagnóstico Asistido por Computadora, así como la
implementación de los algoritmos de procesamiento digital de imágenes empleados en la
realización de este trabajo de tesis.
 Capítulo 4: Algoritmo propuesto.- En este capítulo se explican los algoritmos
desarrollados en este trabajo de tesis y se muestran los resultados experimentales
obtenidos al implementar estos algoritmos en 216 imágenes del fondo de ojo.
 Capítulo 5.- Resultados, Conclusiones y Trabajo a futuro.- En este capítulo se
presentan los resultados de la evaluación del Sistema Diagnóstico Asistido por
Computadora, la interfaz gráfica desarrollada, las conclusiones y las recomendaciones
para trabajo a futuro derivadas de esta tesis.
1.7
Referencias
[1]
Organización Mundial de la salud, Diabetes Nota descriptiva No. 312.
[Consultado en Marzo del 2011], Disponible en:
http://www.who.int/mediacentre/factsheets/fs312/es/
[2]
R.N. Frank, Diabetic Retinopathy, The New England Journal of Medicine, 2004, Vol. 350, pp.
48-58.
[3]
D.S. Fong, L. Aiello, T.W. Gardner, et al., Retinopathy in Diabetes, Diabetes Care, 2005, Vol.
27 (Suppl. 1), pp. 584-587. [Consulted on March 2011], Available at:
http://care.diabetesjournals.org/content/27/suppl_1/s84.full.pdf+html
6
Capítulo 1
[4]
Introducción al proyecto
D.J. Browning, Diabetic Retinopathy: Evidence Based Management, 1st ed., New York, USA:
Springer, 2010, ISBN-10: 0387858997, ISBN-13: 9780387858999, pp. 31, 59-61.
[5]
K.V. Chalam and J. Lawler, Management of Diabetic Retinopathy in the New Millennium,
Jacksonville Medicine, 2000, pp. 399-401. [Consulted on March 2011], Available at:
http://www.dcmsonline.org/jax-medicine/2000journals/sept2000/diabetic.pdf
[6]
L. Verma, G. Prakash and H.K. Tewari, Diabetic Retinopathy: Time for Action. No
complacency please, Articles from Bulletin of the World Health Organization, 2002, Vol.
80(Suppl. 5), pp. 419-420. [Consulted on March 2011], Available at:
http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2567800/pdf/12077622.pdf
[7]
B. James and L. Benjamin, Ophthalmology Investigation and Examination Techniques , 1st ed.,
Philadelphia, USA: Elsevier Health Sciences, 2007, ISBN-10: 0750675861, ISBN-13:
9780750675864, pp. 222-226.
[8]
CIGNA Medical Coverage Policy.
[Consulted on March 2011], Available at:
http://www.cigna.com/customer_care/healthcare_professional/coverage_positions/medical
/mm_0080_coveragepositioncriteria_imaging_systems_optical.pdf
[9]
A.K. Khurana, Comprehensive Ophthalmology, 4th ed., New Delhi, India: New Age
International (P) Ltd., 2007, ISBN-10: 8122420419, ISBN-13: 9788122420418, pp. 477478.
[10]
S.C. Le, E.T. Lee, R.M. Kingsley, Y. Wan, D. Russell, R. Klein and A. Warn, Comparison of
Diagnosis of Early Retinal Lesions of Diabetic Retinopathy Between a Computer System and
Human Experts, Arch Ophthalmol, 2001, Vol. 119, pp. 509-515.
[Consulted on March 2011], Available at:
http://archopht.ama-assn.org/cgi/reprint/119/4/509
[11]
T. Teng, M. Lefley and D. Claremont, Progress towards automated diabetic ocular screening:
A review of image analysis and intelligent systems for diabetic retinopathy, Med. Biol. Eng.
Comput, 2002, Vol. 40, pp. 2–13. [Consulted on March 2011], Available at:
http://www.springerlink.com/content/qnj016t6m5u535w5/fulltext.pdf
[12]
J. Sargunar and R. Sukanesh, Exudates Detection And Classification In Diabetic Retinopathy
Image By Textures Segmentation Methods, International Journal of Recent Trends in
Engineering, 2009, Vol. 2, No. 4, pp. 148-150. [Consulted on March 2011], Available at:
http://www.academypublisher.com/ijrte/vol02/no04/ijrte0204148150.pdf
7
Capítulo 1
[13]
Introducción al proyecto
C.J. Rudnisky, M.T.S. Tennant, E. Weis, A. Ting, B.J. Hinz and M.D.J. Greve, Web-based
grading of compressed stereoscopic digital photography versus standard slide film photography
for the diagnosis of diabetic retinopathy , Ophthalmology, 2007, Vol. 114 (Suppl. 9), pp.
1748-1754. [Consulted on March 2011], Available at:
http://www.mendeley.com/research/webbased-grading-compressed-stereoscopic-digitalphotography-versus-standard-slide-film-photography-diagnosis-diabetic-retinopathy/
[14]
J. Lopez-Bastida, F. Cabrera-Lopez and P. Serrano-Aguilar, Sensitivity and specificity of
digital retinal imaging for screening diabetic retinopathy , Diabet Med, 2007, Vol. 24(Suppl.
4), pp. 403-407. [Consulted on March 2011], Available at:
http://onlinelibrary.wiley.com/doi/10.1111/j.1464-5491.2007.02074.x/pdf
[15]
American Academy of Ophthalmology, Clinical Statement, Screening for Diabetic Retinopathy,
2006. [Consulted on March 2011], Available at:
http://one.aao.org/asset.axd?id=fcae629c-bc1e-4648-a76a-4796404d47e1
[16]
J. Ahmed, T.P. Ward, S.E. Bursell, L.M. Aiello, J. D. Cavallerano, R. A. Vigersky, The
sensitivity and specificity of non mydriatic digital stereoscopic retinal imaging in detecting
diabetic retinopathy, Diabetes Care, 2006, Vol. 29 (Suppl. 10), pp. 2205-2209.
[Consulted on March 2011], Available at:
http://care.diabetesjournals.org/content/29/10/2205.full.pdf+html
[17]
G.P. Leese, J.D. Ellis, A.D. Morris, A. Ellingford, Does direct ophthalmoscopy improve retinal
screening for diabetic eye disease by retinal photography? , Diabet Med, 2002, Vol. 19, pp.
867-869. [Consulted on March 2011], Available at:
http://onlinelibrary.wiley.com/doi/10.1046/j.1464-5491.2002.00800.x/pdf
[18]
G.G. Yen and W.F. Leong, A sorting system for hierarchical grading of diabetic fundus
images: A preliminary study, IEEE Trans Inf Technol Biomed, 2008, Vol. 12 (Suppl. 1), pp.
118–130. [Consulted on March 2011], Available at:
http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=4358927
[19]
A.C. Ho, Diabetic Retinopathy, Diabetes and your eyes.
[Consulted on March 2011], Available at:
http://www.improveyourvision.com/macular-center/diabetic-retinopathy.html
8
Capítulo
2
Fundamentos de la Retinopatía Diabética
“La alegría de ver y entender es el más perfecto don de la naturaleza”.
Albert Einstein (1879-1955)
2.1
Introducción
En este capítulo se describe la anatomía del globo ocular, los componentes principales de la
retina, el impacto, clasificación y los métodos de detección de la Retinopatía Diabética, así como
la frecuencia de exploración de esta enfermedad. También en este capítulo se presenta una
reseña sobre los principales sistemas y algoritmos de análisis de imágenes de la retina que se
han propuesto en la literatura, haciendo énfasis en la detección de Microaneurísmas y Exudados
Duros.
2.2
Anatomía del ojo
Haciendo una analogía, el funcionamiento del ojo humano es muy similar al de una cámara
fotográfica [1,2], esta comparación es usada dado que las estructuras de ambos sistemas son
muy semejantes, tal y como se muestra en la Figura 2.1, donde la lente de la cámara y su
análogo en el ojo (córnea, pupila y cristalino) tienen como función hacer que la luz que incide a
través de estas, enfoque en un solo punto, la película fotográfica o la retina, respectivamente.
Esta información se transmite al cerebro a través del nervio óptico, el cual conecta al ojo con el
cerebro. Para que la córnea y el lente trabajen en forma óptima deben ser perfectamente
transparentes y tener las curvaturas adecuadas, de no ser así, la imagen proporcionada será
defectuosa o no enfocará en el sitio apropiado.
9
Capítulo 2
Fundamentos de la Retinopatía Diabética
Figura 2. 1 Comparación de la anatomía del ojo con los componentes de una cámara fotográfica.
(Fuente: Imagen de la web http://www.cosi.com.ar/files/imagenes_imce/excimer-2.jpg).
En la Figura 2.2 se muestra el corte transversal del ojo humano así como los elementos que la
componen.
Figura 2. 2 Sección transversal del ojo humano.
(Fuente: Imagen de la web http://www.eyecancermd.org/anatomia.html).
Entre las diversas estructuras oculares, en este capítulo solo se explicarán las partes anatómicas
que son más relevantes para este trabajo de investigación.
10
Capítulo 2
Fundamentos de la Retinopatía Diabética
2.2.1 La Retina
La retina es un tejido sensorial delgado que puede ser visto como una extensión del cerebro y
está compuesta por varias capas que cubren la pared interior de la parte posterior del ojo [3-5].
La retina humana tiene dos tipos de fotorreceptores: conos y bastones (ver Figura 2.3), los
cuales son los responsables de la transducción de la luz en impulsos eléctricos nerviosos y la
transmisión de estos impulsos al cerebro, donde serán interpretados como imágenes [6-10]. En
la retina humana se encuentran alrededor de 120 millones de bastones (94.5% de todos los
fotorreceptores) y cerca de 7 millones de conos.
Figura 2. 3 Diagrama esquemático de los fotorreceptores. El núcleo esta designado por “N” y la mitocondria por “M”.
(Fuente: S. H. Schwartz, Visual Perception: A Clinical Orientation , 4th ed., USA: McGraw Hill, 2009, p. 27 [12]).
Los bastones son elementos cilíndricos que terminan con una ligera curvatura y tienen un
diámetro inferior a 1 µm [3,4]. Presentan una elevada sensibilidad a la luz, en el ser humano son
los responsables de la visión en condiciones de baja luminosidad llamada visión escotópica
[7,8].
Los conos son células de aspecto cónico con un diámetro medio que oscila entre 1 µm y 5 µm
[3,4]. Presentan menor sensibilidad a la luz, ya que sólo se activan en condiciones de
iluminación normal o diurna (visión fotópica) [7,8].
Los conos proporcionan información básica sobre la composición espectral de la luz por lo que
son los responsables de la percepción del color. Existen tres tipos de conos en la retina, conos L,
M y S, estos nombres hacen referencia a la longitud de onda del espectro visible en el cual
presentan mayor sensibilidad [3-6,9-12]:
11
Capítulo 2
Fundamentos de la Retinopatía Diabética
Los conos L (Large) también llamados conos Rojos son sensibles a la longitud de onda larga con
un pico de absorción de 559 nm, los conos M (Medium) o conos Verdes son sensibles a la
longitud de onda media con un pico de absorción de 521 nm y los conos S (Short) o conos
Azules son sensibles a la longitud de onda corta con un pico de absorción de 419 nm. En la
Figura 2.4 se muestra la respuesta espectral de los fotorreceptores en la retina humana en forma
normalizada [0,100], la sensibilidad de cada cono en función de la longitud de onda λ. En la
retina, la sensibilidad de cada cono no responde realmente a esas magnitudes. Concretamente
los conos S (azules) son menos sensibles con respecto a los conos L (rojos) y M (verdes),
siendo estos últimos los que presentan mayor sensibilidad [9].
Figura 2. 4 Sensibilidad espectral de los fotorreceptores.
(Fuente: J. C. Martins and L. A. Sousa, Bioelectronic Vision: Retina Models, Evaluation Metrics, and System Design ,
Series on Bioengineering & Biomedical Engineering, Vol. 3, Toh Tuck, Singapore: World Scientific Publishing Co. Pte.
Ltd., 2009, p. 34 [4]).
La sensación de color depende únicamente de las señales recibidas por los conos y transmitidas
al cerebro. El color blanco se percibe cuando el ojo es excitado con un espectro luminoso de
energía constante (
( )
), denominado espectro equienergético.
Las percepciones individuales de los colores, ofrecidas por la sensibilización de los conos L, M y
S se muestran en las ecuaciones 2.1, 2.2 y 2.3 respectivamente.
12
Capítulo 2
Fundamentos de la Retinopatía Diabética
∫ ( )
Dónde ( ) ( )
( )
(
)
∫ ( )
( )
(
)
∫ ( )
( )
(
)
( ) representan los valores de conversión de energía radiante en percepción
de los conos L, M y S, respectivamente, para la longitud de onda
dentro del intervalo del
espectro visible [5-7, 11, 12]. Otra consideración que debe tomarse en cuenta es que para
longitudes de onda cercanas a los 380 nm ó 780 nm se tiene una respuesta mínima, mientras
que para alguna zona intermedia del espectro visible (ver Figura 2.5) la respuesta es máxima, lo
anterior se debe a que la refracción de los rayos luminosos que penetran en la retina no la
afectan por igual a todas las longitudes de onda que estos rayos incluyen.
Figura 2. 5 Espectro electromagnético.
(Fuente: S. H. Schwartz, Visual Perception: A Clinical Orientation , 4th ed., USA: McGraw Hill, 2009, p. 21 [12]).
La luz de onda corta o alta energía (azul) focaliza en un punto anterior a la retina, mientras que
la luz de onda larga o baja energía (rojo) focaliza en puntos posteriores a la retina, esto tiene
como consecuencia que los detalles rojos o azules no se puedan distinguir claramente en una
escena. Justo lo contrario de lo que ocurre con los verdes, cuyo punto de focalización o
convergencia se sitúa exactamente en la retina, lo que induce una mayor sensibilidad del ojo para
estas tonalidades (ver Figura 2.6).
13
Capítulo 2
Fundamentos de la Retinopatía Diabética
Figura 2. 6 Focalización de la luz roja, verde y azul en la retina.
(Fuente: Imagen de la web http://inquisalva.com/blog/fundamentos-del-color-parte-4/).
El área periférica de la retina es la responsable de la visión periférica, mientras que el área
central, llamada mácula, es la encargada de la visión central debido a que en esta área es donde
se produce la mayor fotorrecepción [3,19], esto nos permite ver detalles y realizar tareas que
requieren de la visión central, por ejemplo, la lectura.
La mácula es una zona redonda cuyo diámetro oscila entre los 4 y 5 mm, y se encuentra situada
en la región central de la retina [8,13]. En el centro de la mácula se encuentra una pequeña
depresión llamada fóvea cuyo diámetro mide 1.5 mm. La fóvea corresponde a la región de la
retina con mayor sensibilidad.
El disco óptico o papila óptica es una zona circular situada en el centro de la retina (fondo de
ojo), que corresponde a la entrada del nervio óptico [19], el cual transmite los impulsos
eléctricos de la retina al cerebro [3,8]. La papila óptica es la región más brillante del fondo de
ojo y su forma suele ser redonda, está situada respecto al centro del polo posterior del ojo, a 3
mm hacia el lado nasal y tiene un diámetro alrededor de 1.5 a 2 mm [7,13], al no poseer
fotorreceptores la papila óptica carece de sensibilidad a los estímulos luminosos, lo cual ocasiona
una zona ciega dentro del campo visual que se conoce como punto ciego.
Los Vasos Sanguíneos de la retina se derivan de la arteria y la vena central de la retina, la cual
se encuentra en el nervio óptico [13,14]. Las arterias son un poco más delgadas y de un rojo
más claro que las venas, y la relación entre el grosor de las arterias y las venas es de 2:3.
14
Capítulo 2
Fundamentos de la Retinopatía Diabética
El fondo de ojo es la porción posterior del interior del globo ocular que se observa a través de la
pupila y está conformado por la retina, la papila óptica, los Vasos Sanguíneos retinales, la mácula
y la fóvea [13,14], como se muestra en la Figura 2.7.
Figura 2. 7 Diagrama ilustrativo del fondo de ojo.
(Fuente: M. Latarjet, A. R. Liard and E. A. Pro, Anatomía huma, Vol. 1, 4ta ed., Madrid, España: Medica
Panamericana, 2004, ISBN.13: 9788479037178, p. 449 [14]).
En la Figura 2.8 se muestra una imagen normal del fondo de ojo y los cuadrantes en que se
divide.
Figura 2. 8 Polo posterior del ojo izquierdo Muestra: a) La mácula, la fóvea, el disco óptico y la cabeza del nervio óptico
y b) Los cuatro cuadrantes en que se divide el fondo de ojo, partiendo de la división de los vasos en la papila.
15
Capítulo 2
2.3
Fundamentos de la Retinopatía Diabética
Perspectivas de la Retinopatía Diabética
La Organización Mundial de la salud (OMS) estima que a nivel mundial existen más de 220
millones de personas con Diabetes Mellitus (DM) [15], y alrededor de 314 millones de personas
con discapacidad visual (baja visión y ceguera), de estas últimas 45 millones son ciegas [16],
siendo la Retinopatía Diabética (RD) causante del 5% de los casos de ceguera a nivel mundial
[16-18]. Las personas que padecen Diabetes tienen 25 veces más probabilidades de desarrollar
Retinopatía Diabética que los individuos que no la padecen [19,20].
A nivel mundial México ocupa el décimo lugar, en relación con el número total de pacientes
Diabéticos y se estima que aproximadamente hay entre 6.5 y 10 millones de personas que
padecen esta enfermedad [21], de los cuales 805 mil sufren Retinopatía Diabética y están en el
proceso de perder la visión [22].
Los Vasos Sanguíneos que unen a las arterias con las venas (capilares de la retina) tienden a
ser dañados por los cambios químicos causados por la Diabetes. Este daño progresivo se llama
Retinopatía Diabética (ver Figura 2.9) y se produce por las fugas de sangre o fluidos anormales
y las oclusiones de los Vasos Sanguíneos [23,24].
Figura 2. 9 Comparación entre .una retina normal y una con Retinopatía Diabética.
(Fuente: Imagen de la web http://www.healthcentral.com/diabetes/more-images-7215-146.html).
16
Capítulo 2
Fundamentos de la Retinopatía Diabética
La Retinopatía Diabética convencionalmente se clasifica de acuerdo a la presencia de lesiones
clínicas que indican fugas de sangre u oclusiones, y la posición de éstas en el ojo. Esta
clasificación consta de 3 tipos: Retinopatía de Fondo (No Proliferativa), Degeneración Macular
(Vasculopatía) y Retinopatía Proliferativa.
El tipo de Retinopatía Diabética ocasionado por la fuga de sangre o fluidos de los Vasos
Sanguíneos lejos de la mácula se llama Retinopatía Diabética de Fondo (RDF) y se caracteriza
por el abultamiento de las paredes capilares (Microaneurísmas), sangre (Hemorragias Retinales),
depósitos de grasa (Exudados Duros) y Edema Retinal. Esta etapa de la enfermedad en
ocasiones no presenta señales evidentes y solo es reconocida por el paciente cuando los
cambios en la retina han progresado a un nivel más grave [24]. La detección de esta etapa
permitirá el tratamiento para evitar complicaciones futuras, por lo que uno de los propósitos de
este trabajo es la detección de esta etapa.
La Vasculopatía Diabética se produce por la fuga de sangre o fluidos de los Vasos Sanguíneos y
la acumulación de grasa en la región central de la retina (la mácula), el resultado de esto es la
visión borrosa, como se muestra en la Figura 2.10.
a)
b)
Figura 2. 10 Efecto de la Retinopatía Diabética en la visión. (a) Con Retinopatía y (b) Sin Retinopatía.
(Fuente: Imagen de la web www.nei.nih.gov/health/diabetic/retinopathy.asp).
El edema macular es la causa más frecuente de disminución de la visión en pacientes con
Retinopatía Diabética No Proliferativa (RDNP). Con menor frecuencia, la oclusión microvascular
también puede ocurrir en la mácula, causando problemas de visión debido al suministro
inadecuado de sangre a esta zona.
17
Capítulo 2
Fundamentos de la Retinopatía Diabética
Como el tejido de la retina depende de los Vasos Sanguíneos para su nutrición, se libera un
factor vasoproliferativo que estimula la neovascularización (proliferación vascular), permitiendo el
desarrollo de nuevos Vasos Sanguíneos anormales donde los capilares normales han sido
cerrados. Esta forma de Retinopatía Diabética por el cierre de los capilares y el crecimiento de
nuevos Vasos Sanguíneos se denomina Retinopatía Diabética Proliferativa (RDP) [24]. La
Retinopatía Diabética Proliferativa puede dar lugar a la pérdida de visión, debida a una
hemorragia en la cavidad del ojo y a la cicatrización de esta lesión.
Este trabajo no está diseñado para detectar este tipo de enfermedad, ya que es poco probable
que la Retinopatía Diabética Proliferativa se produzca en ausencia de la Retinopatía Diabética de
Fondo (No Proliferativa) o Vasculopatía.
2.4
Retinopatía Diabética No Proliferativa
La Retinopatía Diabética No Proliferativa (RDNP) también conocida como Retinopatía Diabética
de Fondo (RDF) es el tipo más común de Retinopatía Diabética, lo cual representa
aproximadamente el 80% de todos los casos [25]. Los cambios producidos en la retina de los
pacientes con Retinopatía Diabética pueden ser detectados por los profesionales de la salud
visual, a través del examen del fondo de ojo del paciente.
La evaluación precisa de la gravedad de la Retinopatía Diabética requiere la capacidad de
detectar y registrar las siguientes patologías:
Microaneurísmas.- Son las primeras lesiones clínicamente detectables de la Retinopatía Diabética
[1]. Los Microaneurísmas son dilataciones focales de las paredes de los capilares de la retina y
aparecen como pequeños puntos redondos de color rojo (ver Figura 2.11 b)) con un diámetro de
30 a 100 micras. El número de Microaneurísmas se relaciona directamente con la gravedad de
la Retinopatía.
Hemorragias.- Las hemorragias retinianas tienen su origen en la rotura de los Microaneurísmas y
aparecen como pequeños puntos o manchas rojas (ver Figura 2.11 b)). La progresión de la
Retinopatía Diabética hará que las hemorragias retinianas sean más evidentes [7].
18
Capítulo 2
Fundamentos de la Retinopatía Diabética
Exudados Duros.- Los Exudados Duros son depósitos de lípidos usualmente localizados en la
capa externa de la retina y son el resultado de las fugas de fluidos sanguíneos de los
Microaneurísmas y de los capilares que circundan la zona macular [7,19]. Si el lípido se extiende
a la zona macular, la visión puede verse seriamente comprometida. Los Exudados Duros tienen
un aspecto amarillento, no tienen forma o tamaño definido y se localizan en cualquier parte de la
retina [1].
Los Exudados Duros pueden verse como puntos individuales (ver Figura 2.11 c)), agrupaciones
(ver Figura 2.11 d)) o como anillos alrededor de fugas capilares (ver Figura 2.11 e)). Los
exudados no son formaciones estáticas, ya que pueden absorberse de forma espontánea en unos
meses. Por lo general, en una retina no tratada el volumen de los exudados tiende a aumentar.
En ocasiones los exudados se pueden confundir con drusas (lesiones vistas en la degeneración
macular asociada a la edad), que aparecen distribuidas con más frecuencia en la macula (ver
Figura 2.11 f)).
Exudados Blandos.- Los Exudados Blandos o algodonosos son anomalías de color blanco en
forma de círculo u ovalo, generalmente suelen aparecer junto a una zona con hemorragias (ver
Figura 2.11 e)) y son el resultado de la inflamación de la capa superficial de la retina [7]. Los
Exudados Algodonosos representan una etapa de transición entre la Retinopatía Diabética No
Proliferativa o Vasculopatía y la Retinopatía Diabética Proliferativa, a esta etapa se le conoce
como Retinopatía Diabética Pre-Proliferativa.
Anomalías Venosas.- Las Anomalías Venosas son lesiones graves que indican isquemia retiniana
importante [26], estas anomalías son la segmentación en forma de rosario (ver Figura 2.12 a))
o bucles venosos (ver Figura 2.12 b)). En la segmentación en forma de rosario el diámetro de
las venas aumenta de forma irregular hasta adoptar el aspecto de una hilera de salchichas. Los
bucles venosos forman cortocircuitos en las oclusiones localizadas de las venas retinianas que en
ocasiones se asocian a la proliferación fibrovascular.
Anomalías Microvasculares Retinianas (IRMA).- Son vasos retinianos con un patrón de
ramificación anormal (ver Figura 2.12 c)), que presentan un intento de revascularizar la retina
isquémica [26]. Están situadas entre las capas retinianas lo cual las diferencia de los neovasos
que crecen en la superficie de la retina o hacia el vítreo.
19
Capítulo 2
Fundamentos de la Retinopatía Diabética
Figura 2. 11 Imágenes del fondo de ojo: a) Sin RD, b) con RDNP presenta Microaneurísmas y hemorragias,
c) con RDNP presenta pocos Exudados Duros, d) con RDNP presenta agrupación de Exudados Duros, e) con RDNP
presenta Exudados Blandos y Exudados Duros agrupados en forma de anillo y f) presenta drusas en la región macular.
(Fuente: Cortesía del Hospital General Ignacio Zaragoza del ISSSTE y del Servicio de Oftalmología de la Unidad
Médica de Alta Especialidad del Centro Médico Nacional La Raza del IMSS).
Figura 2. 12 Fragmentos de Imágenes del fondo de ojo: con anomalías venosas en forma de salchichas, b) con bucle
venoso prominente y c) con IRMA presenta una ramificación anormal de los vasos que proceden del lecho capilar.
(Fuente: Jaroslaw Hernecki. (2009). Programa de cribaje de la Retinopatía Diabética en el valles oriental mediante
cámara no midriática. p. 8 [26]).
20
Capítulo 2
2.5
Fundamentos de la Retinopatía Diabética
Clasificación de la Retinopatía Diabética
Se han propuesto numerosas clasificaciones para reflejar la evolución natural de la Retinopatía
Diabética según la gravedad de las lesiones observadas en el fondo de ojo. En la actualidad la
clasificación más completa para la evaluación de la Retinopatía Diabética es la versión final de la
escala de gravedad del Estudio de la Retinopatía Diabética para el tratamiento oportuno (Early
Treatment Diabetic Retinopathy Study por sus siglas en ingles ETDRS) [27,28]. Esta
clasificación establece 13 niveles de severidad de menor a mayor. A nivel práctico se utiliza una
modificación de la misma dividiéndose en tres tipos como se describe a continuación [1,28].
 No Retinopatía Diabética (Diabetes Mellitus sin lesiones oftalmoscópicas).
 Retinopatía Diabética No Proliferativa.
 Retinopatía Diabética Proliferativa.
Como se mencionó anteriormente este trabajo no está diseñado para la detección de la
Retinopatía Diabética Proliferativa, por lo que única y exclusivamente se describirán los
estadios de la Retinopatía Diabética No Proliferativa.
2.5.1 Estadios de la Retinopatía Diabética No Proliferativa
La Retinopatía Diabética No Proliferativa se divide en 4 estadios o etapas, y estas son:
Leve o Nivel 1.- Presencia de Microaneurísmas (µAn) y hemorragias retinianas (H) leves. Los
Exudados Duros (ED) y Exudados Blandos (EB) pueden o no estar presentes.
Moderada o Nivel 2.- Lesiones más avanzadas que en la leve, pero menos que la severa (regla
4:2:1).
Severa o Nivel 3.- Un criterio de la regla del 4:2:1. µAn y H severas en 4 cuadrantes.
Anormalidades de las venas (AV) en al menos 2 cuadrantes. Anomalías Microvasculares
Intrarretinianas (IRMA) moderado o extenso en al menos 1 cuadrante.
Muy Severa o Nivel 4.- Al menos dos criterios de la regla 4:2:1.
21
Capítulo 2
Fundamentos de la Retinopatía Diabética
Por otro lado, la Asociación Francesa para el estudio de la Diabetes y enfermedades metabólicas
(ALFEDIAM) basándose en la escala de severidad de la Retinopatía Diabética de la ETDRS
[27,28] estableció una escala de severidad basada en la cantidad de Microaneurísmas y
Hemorragias retinianas presentes en el fondo de ojo, además introdujo las características: no
neovascularización y neovascularización [29], como se muestra en la Tabla 2.1,
Tabla 2. 1 Escala de Severidad de la Retinopatía Diabética propuesta por la ALFEDIAM.
Estadios
Características
No RD o Nivel 0
µAn = 0 y H = 0 (Diabetes sin lesiones oftalmoscópicas)
Leve o Nivel 1
0 < µAn ≤ 5 y H = 0 (ED pueden o no estar presentes)
Moderado o Nivel 2
5 < µAn ≤ 15 o 0 < H < 5 y NV = 0 (ED pueden o no estar presentes)
Severo o Nivel 3
5 < µAn ≤ 15 o 0 < H < 5 y NV = 0 (ED pueden o no estar presentes)
Dónde:
µAn = Número de Microaneurísmas, ED = Exudados Duros, H = Número de hemorragias
retinianas, NV = 0 No neovascularización y NV = 1 Neovascularización.
Como se mencionó anteriormente este trabajo no está diseñado para la detección de la
Retinopatía Diabética Proliferativa, por lo cual, únicamente se enlistaron la No Retinopatía
Diabética y los tres estadios de la Retinopatía Diabética No proliferativa.
2.6
Métodos de detección de la Retinopatía Diabética
La detección precoz de la Retinopatía Diabética basada en un método de detección adecuado es
esencial en la prevención de la discapacidad visual. La detección y clasificación de la Retinopatía
Diabética a partir de imágenes de la retina es lenta y repetitiva, además de que el proceso de
clasificación es tedioso y por lo tanto propenso a errores. Gran parte del tiempo de exploración se
consume en la detección de la Retinopatía Diabética No Proliferativa, la cual se podría evaluar de
una manera automática implementando los métodos actuales de análisis de imágenes y visión
por computadora. Actualmente dos de los métodos principalmente empleados en la detección de
la Retinopatía Diabética son la oftalmoscopia y la fotografía del fondo de ojo, los cuales pueden
realizarse con o sin midriasis (dilatación de las pupilas).
22
Capítulo 2
Fundamentos de la Retinopatía Diabética
2.6.1 Oftalmoscopía
Es una técnica diagnóstica que consiste en visualizar el polo posterior del globo ocular, que
incluye la retina, disco óptico, coroides y Vasos Sanguíneos [1]. Existen tres tipos básicos de
oftalmoscopia y estos son: directa, indirecta e indirecta con lámpara de hendidura [7,13]. A
continuación se da una breve descripción de cada uno de estos métodos.
2.6.1.1 Oftalmoscopía directa
Técnica sencilla en la cual la exploración ocular se realiza mediante el uso de un oftalmoscopio
monocular como se muestra en la Figura 2.13.
Procedimiento: El paciente permanece sentado sin moverse en una habitación oscura, el
profesional de la salud visual acerca el oftalmoscopio primero a un ojo y después al ojo contrario,
realizando la visualización del fondo de ojo, el paciente debe evitar pestañear y deberá seguir las
instrucciones del profesional de la salud visual.
Figura 2. 13 Exploración del fondo de ojo mediante oftalmoscopia directa.
(Fuente: imagen de la web http://www.amdtelemedicine.com/telemedicine-equipment/ophthalmology/amd-2020direct-phthalmoscope.html).
2.6.1.2 Oftalmoscopía indirecta
Técnica en la cual la exploración ocular se realiza mediante el uso de un oftalmoscopio binocular
y de una fuente de luz externa, como se muestra en la Figura 2.14 a).
23
Capítulo 2
Fundamentos de la Retinopatía Diabética
Procedimiento: El paciente permanece acostado o semi-inclinado sin moverse sobre una camilla
en una habitación oscura, el profesional de la salud visual proyectará un haz de luz externa
primero sobre un ojo y después sobre el ojo contrario, realizando la visualización del fondo de ojo
a través del oftalmoscopio binocular que lleva colocado sobre sus ojos; el paciente debe evitar
pestañear y seguir las instrucciones mientras el profesional de la salud visual realiza la
visualización.
2.6.1.3 Oftalmoscopía indirecta con lámpara de hendidura
Técnica compleja en la cual la exploración ocular se realiza mediante el empleo de una lámpara
de hendidura como se muestra en la Figura 2.14 b).
Procedimiento: El paciente permanece sentado sin moverse ni pestañear en una habitación
oscura apoyando su barbilla sobre la base de la lámpara de hendidura, siguiendo las
instrucciones mientras el profesional de la salud visual realiza la visualización. Esta es una
técnica compleja que debe ser realizada por un profesional de la salud visual.
a)
b)
Figura 2. 14 Exploración del fondo de ojo mediante oftalmoscopia: a) Indirecta y b) Indirecta con lámpara de hendidura.
(Fuente: P.H. Scanlon, C.P. Wilkinson, S.J. Aldington and D.R. Matthews, A Practical Manual of Diabetic Retinopathy
Management, 1st Ed., Oxford, England: Wiley-Blackwell, 2009, ISBN-13: 9781444308181, pp. 4-5 [22]).
2.6.2 Fotografía del fondo de ojo
También llamada retinografía es una técnica que se utiliza para obtener fotografías digitales a
color de la retina mediante el uso de la cámara de fondo de ojo (ver Figura 2.15 a)).
24
Capítulo 2
Fundamentos de la Retinopatía Diabética
La calidad de estas fotografías puede aumentar si el paciente tiene las pupilas dilatadas. Sin
embargo el flash de la cámara es menos cómodo para los pacientes en este caso.
Procedimiento: Al paciente se le administran gotas oftálmicas (Tropicamida 1%) para que se
dilaten las pupilas, cuando estas están lo suficientemente dilatadas se toman una o varias
fotografías de la retina de cada ojo (ver Figura 2.15 b)) mediante una cámara fotográfica
especialmente diseñada para este propósito. Este procedimiento es no invasivo e indoloro y
permite una visión exacta de la retina, el nervio óptico y los Vasos Sanguíneos.
Figura 2. 15 a) Cámara de fondo de ojo de la marca Carl Zeiss VISUCAMNM/FA, b) retinografía a color.
Actualmente las cámaras de fondo de ojo cuentan con filtros, y dependiendo de la longitud de
onda del filtro usado, vamos a poder distinguir y localizar las lesiones en el fondo de ojo. Un filtro
azul destaca la interface vítreo-retiniana y la capa de fibras nerviosas de la retina, uno verde
destaca la vascularización retiniana y las alteraciones retinianas como la Retinopatía Diabética, la
Retinopatía Hipertensiva, la Retinosis Pigmentaria y la Degeneración Macular asociada a la edad,
y un rojo resalta la coroides.
2.6.3 Frecuencia de exploración
La Asociación Americana de la Diabetes (American Diabetes Association) recomienda la
exploración del fondo de ojo en los pacientes con Diabetes Mellitus una vez al año y las
exploraciones tienen que ser más frecuentes en caso de que se desarrolle y/o progrese la
Retinopatía Diabética. En la Tabla 2.2 se muestra la frecuencia de exploración oftalmológica en
pacientes con Diabetes [8].
25
Capítulo 2
Fundamentos de la Retinopatía Diabética
Tabla 2. 2 Exploración Oftalmológica en pacientes con Diabetes.
Tipo de Retinopatía Diabética
Intervalo de Seguimiento
No Retinopatía Diabética (Retina sana)
12 Meses
Retinopatía Diabética No Proliferativa
6 Meses
Leve o Moderada sin edema macular
Retinopatía Diabética No Proliferativa
3 Meses
Leve o Moderada con edema macular
2.7
Retinopatía Diabética No Proliferativa Severa
3 Meses
Retinopatía Diabética Proliferativa
1 – 3 Meses
Algoritmos Propuestos en la Literatura
Se han propuesto una gran cantidad de algoritmos para el análisis de las imágenes del fondo de
ojo y para la clasificación automática de los estadios de la Retinopatía Diabética No Proliferativa.
A continuación solo se describen algunos de los algoritmos que fueron consultados y que
sirvieron como referencia en el estudio del estado del arte durante el desarrollo de este trabajo.
2.7.1 Detección de Microaneurísmas
Sinthayothin et al. [30] utiliza la mejora de contraste local para igualar la variación de la
intensidad en las imágenes del fondo de ojo. Estas imágenes se transformaron del modelo de
color RGB al modelo de color IHS y la mejora del contraste local se aplica a la componente I de
la imagen.
Fleming et al. [31] segmenta las zonas que representan posibles Microaneurísmas aplicando las
técnicas de crecimiento de regiones, mejora de la imagen mediante operaciones morfológicas
top-hat y umbralización. Los resultados obtenidos son clasificados con el método de
agrupamiento k-vecinos cercanos usando la información de los bordes y la intensidad de los
candidatos a Microaneurísmas.
26
Capítulo 2
Fundamentos de la Retinopatía Diabética
2.7.2 Detección de Exudados Duros
G.G. Gardner et al. [32] analiza 147 imágenes con Retinopatía Diabética y 32 sin Retinopatía
Diabética usando una red neuronal de retro-propagación. Esta red fue entrenada para reconocer
características en las imágenes de la retina. Los efectos de las técnicas de filtrado digital y las
diferentes variables de la red neuronal se evaluaron para determinar el rendimiento de este
algoritmo. La tasa de detección en el reconocimiento de los Vasos Sanguíneos, los Exudados
Duros y las Hemorragias fue de 91.7%, 93.1% y 73.8% respectivamente. Cuando se comparan
estos resultados con los de un oftalmólogo, la sensibilidad de la Red Neuronal es de 88.4% y la
especificidad de 83.5%.
Walter et al. [33] elimina los Vasos Sanguíneos aplicando operadores morfológicos, en este caso
la clausura morfológica en la componente de luminancia de la imagen del fondo de ojo. A partir
del resultado obtenido, se calcula un umbral a través de una ventana que se desplaza dentro de
la imagen en las zonas cercanas a los Exudados Duros. Los contornos más detallados se
obtuvieron al implementar la reconstrucción morfológica, es decir mediante la diferencia de la
imagen original y la imagen con la clausura morfológica.
Jagadish Nayak et al. [34] proponen un método computarizado para la detección de los estadios
de la Retinopatía Diabética usando imágenes del fondo de ojo. A estas imágenes se le aplican
las técnicas de pre-procesamiento, procesamiento morfológico y análisis de texturas con el objeto
de detectar las características siguientes: área de los Exudados Duros, área de los Vasos
Sanguíneos y el contraste de la imagen. Este protocolo usa un total de 140 imágenes dentro de
las cuales hay imágenes sin Retinopatía Diabética y con Retinopatía Diabética (2 estadios). Las
características extraídas son usadas como entradas de la Red Neuronal Artificial para la
clasificación automática.
27
Capítulo 2
2.8
Fundamentos de la Retinopatía Diabética
Conclusiones
En este capítulo se revisaron los fundamentos médicos que sirvieron de base para el desarrollo
de este trabajo, entre los conceptos más importantes destacan el origen y los métodos de
detección y clasificación de la Retinopatía Diabética, los cuales nos proporcionan información
referente al origen de las lesiones que el especialista médico busca en la exploración del fondo
de ojo y los estadios en que se clasifica la Retinopatía Diabética, prestando mayor atención a la
Retinopatía Diabética No Proliferativa, por ser el tema central de este trabajo de investigación.
También se presentó una reseña sobre los principales sistemas y algoritmos de análisis de
imágenes de la retina que se han propuesto en la literatura, haciendo énfasis en la detección de
Exudados Duros y Microaneurísmas, siendo estos últimos las primeras lesiones clínicamente
detectables de la Retinopatía Diabética.
Por otro lado, para tomar conciencia de la importancia de un diagnóstico oportuno y eficaz de
esta enfermedad fue necesario investigar el impacto de la Retinopatía Diabética y la frecuencia de
exploración del fondo de ojo en pacientes con Diabetes Mellitus.
Con todo lo anterior se obtiene el conocimiento necesario para el desarrollo del presente trabajo
de investigación.
2.9
Referencias
[1]
A.K. Khurana, Comprehensive Ophthalmology, 4th ed., New Delhi, India: New Age
International (P) Ltd., 2007, ISBN-10: 8122420419, ISBN-13: 9788122420418, pp. 17,
249-252, 259-261, 477-478, 564-569.
[2]
The eye and vision. [Consulted on May 2011], Available at:
http://www.eyesurgerychoices.com/Vision.html
[3]
K. Rogers, The eye: The Physiology of Human Perceptions, 1st ed., New York, USA:
Britannica
Educational
Publishing,
2011,
ISBN-13:
9781615301164,
9781615302550, pp. 30-39, 75-81, 98-103, 210, 216-219.
28
ISBN-13:
Capítulo 2
[4]
Fundamentos de la Retinopatía Diabética
J.C. Martins and L.A. Sousa, Bioelectronic Vision: Retina Models, Evaluation Metrics, and
System Design, Series on Bioengineering & Biomedical Engineering, Vol. 3, Toh Tuck,
Singapore: World Scientific Publishing Co. Pte. Ltd., 2009, ISBN-10: 9812794301, ISBN13: 9789812794307, pp. 28-44.
[5]
F.T. Ruiz, Sistemas Audiovisuales: Televisión Analógica y Digital, 1ra Ed., Barcelona, España:
Ediciones UPC, 2000, ISBN-13: 9788483013939, pp. 26-32.
[6]
M. Ebner, Color Constancy, 1st Ed., West Sussex, England: John Wiley and Sons Ltd., 2007,
ISBN-13: 9780470058299, pp. 9-16.
[7]
B. James, C. Chew and A. Bron, Lecture Notes on Ophthalmology, 9th Ed., Oxford, England:
Blackwell Publishing Ltd., 2003, ISBN-10: 1405107146, ISBN-13: 9781405107143, pp. 89, 27-35, 135-142, 154-155.
[8]
T. Schlote, J. Rohrach, M. Grueb and J. Mielke, Pocket Atlas of Ophthalmology, 1st Ed.,
Stuttgart, Germany: Georg Thieme Verlag, 2006, ISBN-10:3131398213, ISBN-13:
9783131398215, pp. 2, 4, 6, 10, 12, 184-189.
[9]
D. Skusevich and P. Matikas, Color Perception: Physiology, Processes and Analysis,
Neuroscience Research Progress, Vol. 1, New York, USA: Nova Science Publishers, Inc.,
2009, ISBN-13: 9781608760770, pp. 105-106.
[10]
I. Grierson, the Eye Book: Eyes and Eye Problems Explained , 1st Ed., Liverpool, England:
Liverpool University Press, 2000, ISBN-10: 0853237557, ISBN-13: 9780853237556, pp.
15-21, 69-72.
[11]
Johan Maurice Gisele Lammens, A computational model of color perception and color naming,
State University of New York at Buffalo, Buffalo, NY, 1995, pp. 19-22.
[12]
S.H. Schwartz, Visual Perception: A Clinical Orientation , 4th Ed., USA: McGraw Hill, 2009,
ISBN-10: 0071604626, ISBN-13: 9780071604628, pp. 6-8, 20-35, 276-290, 345 362.
[13]
A.M. Ansons and H. Davis, Diagnosis and Management of Ocular Motility Disorders, 3rd Ed.,
Oxford, England: Wiley-Blackwell, 2008, ISBN-13: 9780470698297, pp. 22-24, 68-71.
[14]
M. Latarjet, A.R. Liard and E.A. Pro, Anatomía humana, Vol. 1, 4ta Ed., Madrid, España:
Medica Panamericana, 2004, ISBN.13: 9788479037178, pp. 448-449.
[15]
Organización Mundial de la salud, Diabetes Nota descriptiva No. 312.
[Consultado en Mayo 2011], Disponible en:
http://www.who.int/mediacentre/factsheets/fs312/es/
[16]
A global View of Blindness and Low Vision. [Consulted on May 2011], Available at:
http://www.visionaware.org/a_global_view_of_vision_impairment
29
Capítulo 2
[17]
Fundamentos de la Retinopatía Diabética
S. Resnikoff, D. Pascolini , D. Etya’ale, I. Kocur, R. Pararajasegaram, G.P. Pokharel, et al.
Global data on visual impairment in the year 2002. Bull World Health Organ, 2004, Vol. 82,
pp. 844-851. [Consulted on May 2011], Available at:
http://www.who.int/bulletin/volumes/82/11/en/844.pdf
[18]
S. M. Marshal and A. Flyvbjerg, Prevention and early detection of vascular complications of
diabetes, British Med Journal, 2006, Vol. 333 (Suppl. 7566), pp. 475-480.
[Consulted on May 2011], Available at:
http://www.ncbi.nlm.nih.gov/pmc/articles/PMC1557968/pdf/bmj33300475.pdf
[19]
M.W. Leitman, Manual for Eye Examination and Diagnosis, 7th Ed., Oxford, England: WileyBlackwell, 2007, ISBN-13: 9781405168229, pp. 100-104, 106-107, 113-119.
[20]
E.L. Lamoureux, J.B. Hassell and J.E. Keeffe, the Impact of Diabetic Retinopathy on
Participation in Daily Living, Arch Ophthalmol, 2004, Vol. 122, pp. 84-88.
[21]
ENSANUT 2006, Instituto Nacional de Salud Pública.
[22]
A. Jiménez-Corona, R. Rojas, F.J. Gómez-Pérez, C.A. Aguilar-Salinas, Early-onset type 2
diabetes in a Mexican survey. Results from the National Health and Nutrition Survey 2006,
Salud Pub Mex, 2010, Vol. 52 (Suppl. 1), pp. 27-35. [Consulted on May 2011], Available
at: http://bvs.insp.mx/rsp/_files/File/2010/Suplemento%201%20vol%2052/4-based.pdf
[23]
A.F.M. Hani, L.I. Izhar and H.A. Nugroho, Analysis of Foveal Avascular Zone in Color Fundus
Image for Grading of Diabetic Retinopathy, International Journal of Recent Trends in
Engineering, 2009, Vol. 2, No. 6, pp. 101-104. [Consulted on May 2011], Available at:
http://www.academypublisher.com/ijrte/vol02/no06/ijrte0206101104.pdf
[24]
M.H. Ahmad Fadzil and L.I. Izhar, A non-Invasive method for analysing the retina for ocular
manifested diseases, Malaysia patent filing no. PI20083503, September 2008.
[Consulted on May 2011], Available at:
http://www.sumobrain.com/patents/wipo/Non-invasive-method-analysingretina/WO2010030159A2.pdf
[25]
A.C. Ho, Diabetic Retinopathy, Diabetes and your eyes.
[Consulted on May 2011], Available at:
http://www.improveyourvision.com/macular-center/diabetic-retinopathy.html
[26]
Jaroslaw Hernecki. (2009). Programa de cribaje de la Retinopatía Diabética en el valles
oriental mediante cámara no midriática . (Tesis de Doctorado – Universidad Autónoma de
Barcelona, España). pp. 5-9.
[27]
D.J. Browning, Diabetic Retinopathy: Evidence Based Management, 1st Ed., New York, USA:
Springer, 2010, ISBN-10: 0387858997, ISBN-13: 9780387858999, pp. 31, 59-61, 105120.
30
Capítulo 2
[28]
Fundamentos de la Retinopatía Diabética
I.U. Scott, H.W. Flynn and W.E. Smiddy, Diabetes and Ocular Disease: Past, Present, and
Future Therapies, 2nd Ed., New York, USA: Oxford University Press, 2010, ISBN-10:
1560551739, ISBN-13: 9781560551737, pp. 13-23.
[29]
Méthodes d'Evaluation de Systèmes de Segmentation et d'Indexation Dédiées à
l'Ophtalmologie Rétinienne. [Consulté en Mai 2011], Disponible a:
http://messidor.crihan.fr/download.php
[30]
C. Sinthanayothin, J.F. Boyce, T.H. Williamson, H.L. Cook, E. Mensah, S. Lal, and D. Usher,
Automated detection of diabetic retinopathy on digital fundus images, Diabetic Medicine,
2002, Vol. 19, pp. 105–112. [Consulted on May 2011], Available at:
http://www.cephsmilev2.com/chanjira/Papers/2002/DMJournal2002_pooh.pdf
[31]
A.D. Fleming, S. Philip, K.A. Goatman, J.A. Olson and P.F. Sharp, Automated microaneurysm
detection using local contrast normalization and local vessel detection , IEEE Transactions in
Medical Imaging, 2006, Vol. 25 (Suppl. 9), pp. 1223–1232.
[Consulted on May 2011], Available at:
http://es.scribd.com/doc/40369076/Automated-Micro-Aneurysm-Detection-Using-LocalContrast-Normalization-and-Local-Vessel-Detection
[32]
G.G. Gardner, D. Keating, T.H. Williamson and A.T. Elliot, Automatic detection of diabetic
retinopathy using an artificial neural network: a screening tool, British Journal of
Ophthalmology, 1996, Vol. 80, pp. 940-944. [Consulted on May 2011], Available at:
http://www.ncbi.nlm.nih.gov/pmc/articles/PMC505667/pdf/brjopthal00011-0006.pdf
[33]
T. Walter, J.C. Klein, P. Massin and A. Erginay, A contribution of image processing to the
diagnosis of diabetic retinopathy - detection of exudates in color fundus images of the human
retina, IEEE Transactions on Medical Imaging, 2002, Vol. 21, pp. 1236–1243.
[Consulted on May 2011], Available at:
http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=1174101
[34]
J. Nayak, P.S. Bhat, R. Acharya, C.M. Lim and M. Kagathi, Automated Identification of
Diabetic Retinopathy Stages Using Digital Fundus Images, J Med Syst, 2008, Vol. 32, pp.
107-115. [Consulted on May 2011], Available at:
http://www.springerlink.com/content/7638t987585q4w32/fulltext.pdf
31
Capítulo
3
Elementos de un Sistema CADx
“La inteligencia consiste no solo en el conocimiento,
sino también en la destreza de aplicar los conocimientos en la práctica”.
Aristóteles (384 A.C. - 322 A.C.)
3.1
Introducción
En este capítulo se presentan los fundamentos teóricos de Detección Asistida por Computadora
(CADe), Diagnóstico Asistido por Computadora (CADx), Sistema Diagnóstico Asistido por
Computadora (Sistema CADx), Procesamiento Digital de Imágenes (PDI) y Redes Neuronales
Artificiales (RNA).
También en este capítulo se muestra la implementación de los algoritmos de Procesamiento
Digital de Imágenes utilizados en el desarrollo de este trabajo, haciendo uso del programa
MATLAB revisión 2010a instalado en un equipo de cómputo convencional.
3.2
Detección Asistida por Computadora
La Detección Asistida por Computadora o CADe (Computer-Aided Detection por sus siglas en
inglés) se refiere, a los procesos donde los signos de patología son detectados automáticamente
en las imágenes médicas, a través de la extracción de las características que estén altamente
correlacionadas con el tipo y las características de la anormalidad o la enfermedad bajo
investigación, posteriormente su ubicación es marcada para que pueda ser evaluada por el
especialista médico [1-3].
32
Capítulo 3
3.3
Elementos de un Sistema Diagnóstico Asistido por Computadora
Diagnóstico Asistido por Computadora
El Diagnóstico Asistido por Computadora o CADx (Computer-Aided Diagnosis por sus siglas en
inglés) es un concepto amplio que integra las matemáticas, física, estadística, procesamiento
digital y visión por computadora en las técnicas computacionales que auxilian a los médicos en la
toma de decisiones [1, 4-6]. Estas técnicas incluyen la detección de enfermedades y estructuras
anatómicas de interés, la clasificación de las lesiones, la cuantificación de la enfermedad y las
estructuras anatómicas, el análisis volumétrico, la progresión de la enfermedad y la respuesta
temporal a la terapia [1].
3.4
Sistema Diagnóstico Asistido por Computadora
Un Sistema Diagnóstico Asistido por Computadora (Sistema CADx) se define como, la
combinación de técnicas de Procesamiento Digital de Imágenes y Métodos Inteligentes (Redes
Neuronales y/o Lógica Difusa), empleados para mejorar la interpretación médica, dando como
resultado un diagnóstico más eficiente [4-6]. En la Figura 3.1 se muestran las etapas que
conforman un Sistema CADx [7], posteriormente se describe cada una de estas etapas y los
algoritmos que se usaron en ellas.
Figura 3. 1 Arquitectura de un Sistema Diagnóstico Asistido por Computadora (Sistema CADx).
(Fuente: C. Heang Ping, S. Berkman and H. Lubomir, Computer Aided Diagnosis: Concepts and Applications,
University of Michigan Medical School [7])
33
Capítulo 3
3.5
Elementos de un Sistema Diagnóstico Asistido por Computadora
Imagen Digital
Una imagen se define como una función bidimensional de intensidad de luz (
son las coordenadas espaciales, y la amplitud de
en un punto (
gris de la imagen en ese punto [8-12]. Cuando
), donde
) es proporcional al nivel de
son cantidades discretas y finitas, se le
llama imagen digital: La imagen digital es considerada como una matriz cuya fila y columna
indican un punto de la imagen, el valor correspondiente a ese elemento (pixel) indica el nivel de
gris en ese punto (ver Figura 3.2).
Figura 3. 2 Representación de la convención de imágenes digitales. El valor de y se incrementa de izquierda a derecha,
mientras que el valor de x se incrementa de arriba hacia abajo.
3.5.1 Propiedades de las imágenes digitales
Una imagen digital tiene tres propiedades fundamentales: resolución espacial, resolución de
niveles de gris y número de planos [11,12].
Resolución espacial.- Se define como el número de pixeles por fila y por columna. Una imagen
de
filas y
columnas tiene un total de
pixeles. La resolución espacial se relaciona con
los detalles que pueden hacerse visibles en una imagen, mientras mayor sea la resolución
espacial, menor será el área representada por cada pixel en una imagen digital y mayores serán
los detalles que pueden ser apreciados en la misma.
Resolución de niveles de gris o profundidad del pixel.- Es el número de bits utilizados para
representar la intensidad que presenta una imagen digital. Para una cantidad de
puede tomar
valores diferentes. Por ejemplo, si
valores distintos en el intervalo de 0 a 255.
34
bits, el pixel
es igual a 8 bits, un pixel puede tomar 256
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
Número de planos en una imagen.- Es el número de arreglos de pixeles que componen la
imagen.
Planos de una imagen en escala de grises.- Una imagen en escala de grises está compuesta
de tres planos iguales, por lo tanto se dice que consta de un solo plano y se representa por
medio de una matriz bidimensional de
pixeles de ancho y
elemento
elementos, en donde
representa el número de
el número de pixeles de largo, como se muestra en la Figura 3.3 a). El
corresponde al elemento de la esquina superior izquierda donde cada elemento de
la matriz de la imagen tiene un valor entre 0 (negro) y 255 (blanco).
Planos en una imagen RGB.- Una imagen a color RGB (true color o color verdadero) es
representada por una matriz tridimensional
número de pixeles de ancho,
(ver Figura 3.3 b)) donde
el número de pixeles de largo y
representa el
representa el plano [9].
Figura 3. 3 Representación de una imagen digital. a) En escala de grises y b) A color RGB.
El término color verdadero se emplea para denotar una imagen de color RGB de 24 bits por
pixel. En la profundidad de color de 24 bits por pixel, se dedica un byte entero a representar la
intensidad luminosa de cada uno de los tres tonos primarios: rojo, verde y azul, lo cual permite
que cada pixel pueda tomar (
colores distintos
)
[8].
35
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
3.5.2 Espacio de color RGB
El espacio o modelo de color RGB se compone de tres capas o planos, cada uno de los cuales
está asociado a los colores rojo (R), verde (G) y azul (B) [8, 9] como se muestra en la Figura
3.4.
Figura 3. 4 Componentes de una imagen. a) Imagen RGB (color verdadero), b) Componente Roja,
c) Componente Verde y d) Componente Azul.
La profundidad de color, también conocida como bits por pixel (bpp), se refiere al número de bits
necesarios para representar el color de un pixel en una imagen digital. Una profundidad de
implica que cada pixel de la imagen puede tener
bits
valores posibles y por lo tanto, representar
colores distintos [8].
3.5.3 Adquisición de las retinografías
Las imágenes con Retinopatía Diabética fueron proporcionadas por el Hospital General Ignacio
Zaragoza del ISSSTE y por el Servicio de Oftalmología de la Unidad Médica de Alta Especialidad
del Centro Médico Nacional La Raza del IMSS, dado que estas imágenes no estaban clasificadas
se optó por emplear las retinografías obtenidas de la base de datos del proyecto TECHNOVISION. MESSIDOR: methods to evaluate segmentation and indexing techniques in the field of
retinal ophthalmology, las cuales fueron clasificadas por profesionales de la salud visual. En la
Tabla 3.1 se muestran las características de estas imágenes.
36
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
Tabla 3. 1 Características de las imágenes empleadas en este trabajo.
Cámara de Fondo de ojo
No midriática
Modelo
TOPCON TRC NW6
Manufacturada
TOPCON
Tipo de imagen
Color Verdadero
Campo de Visión
45 grados
Resolución Horizontal
3504 pixeles / 2304 pixeles / 1440 pixeles
Resolución Vertical
2336 pixeles / 1536 pixeles / 960 pixeles
Resolución Espacial
5 µm por pixel / 8 µm por pixel / 13 µm por pixel
Profundidad de color
24 bits
Formato de la imagen
TIFF
Cantidad de retinografías 216 de las cuales:
162 tienen RDNP (54 por cada estadio de la RDNP)
54 no tienen RD (son retinas sanas)
3.6
Pre-procesamiento
La etapa de pre-procesamiento consiste en mejorar el aspecto visual de una imagen (tamaño,
contraste, intensidad, espacio de color, etc.) y convertir la imagen a una forma más adecuada
para su análisis, a través de la implementación de diversos algoritmos [11, 13-16].
En este trabajo se usaron los siguientes algoritmos en la etapa de pre-procesamiento: escalado,
descomposición del espacio de color RGB, conversión del espacio de color, mejora del contraste
y negativo de la imagen, los cuales se explican a continuación.
3.6.1 Normalización del tamaño de las imágenes
La normalización consiste en llevar a un tamaño estándar las dimensiones de una imagen, sin
provocar en ella alguna distorsión de importancia [11]. Uno de los algoritmos comúnmente
empleados en esta etapa es el escalado, ya que nos permite reducir (eliminar) pixeles o
aumentar (incorporar) nuevos pixeles a la imagen, además de hacer zoom en ciertas áreas de la
misma [8, 11, 13].
37
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
En nuestro caso, las imágenes que conforman nuestra base de datos son rectangulares y han
sido normalizadas a 720 pixeles por el lado mayor, mientras que el tamaño del lado menor está
dado en función de la relación de aspecto, con la finalidad de mantener la proporción que tiene la
imagen entre sus lados al momento de ser capturada. La normalización de las imágenes
empleadas en el presente trabajo se ha llevado a cabo a través de la interpolación bicúbica, ya
que ésta preserva los detalles finos de una imagen [11]. En la Figura 3.5 se muestra un ejemplo
de la normalización de una imagen, cuya resolución espacial original era de 1440 x 960 pixeles
y la resolución espacial final es de 720 x 480 pixeles, la relación de esta normalización es de
1:2 pixeles.
Figura 3. 5 Imagen normalizada.
3.6.1.1 Interpolación de una imagen
La interpolación es una herramienta básica, usada en los procesos de escalado, rotación,
traslación y correcciones geométricas. Básicamente, la interpolación es un proceso que calcula
valores numéricos desconocidos a partir de otros valores ya conocidos. Algunos de estos
métodos son interpolación por vecinos cercanos, interpolación bilineal (proceso de interpolación
de dos dimensiones usando una secuencia de interpolaciones lineales unidimensionales) e
interpolación bicúbica, la cual se describe a continuación.
Interpolación bicúbica.- Es una interpolación bidimensional que se realiza usando una secuencia
de interpolaciones cúbicas unidimensionales [8]. Este tipo de interpolación considera los
dieciséis pixeles más cercanos al pixel (
) a interpolar.
La intensidad de un valor asignado a un punto (
38
) se obtiene mediante la ecuación:
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
(
Dónde los dieciséis coeficientes (
)
∑∑
(
) se determinan a partir de las dieciséis ecuaciones con
dieciséis incógnitas, que se pueden escribir con los dieciséis vecinos cercanos (
(
) al punto
).
Vecinos de un pixel.- Un pixel
con coordenadas (
dos verticales cuyas coordenadas son (
)(
) tiene cuatro vecinos dos horizontales y
)(
de pixeles se les llama 4-vecinos de , y se denota como
de
)
se denotan como
)(
( ). Los cuatro vecinos diagonales
( ) y tienen como coordenadas (
), a estos puntos junto con los 4-vecinos
(
)(
vecinos de
y se denota por
), a este conjunto
) (
)
( ) se les llama 8-
( ) [11].
3.6.2 Descomposición del espacio de color RGB
La descomposición del espacio de color, se asocia a planos cuyos valores se encuentran
generalmente entre 0 y 1, indicando 0 la falta total de ese plano y 1 la intensidad máxima de ese
plano. Por ejemplo, en el espacio de color RGB, tener todos los planos en 1 representa el color
blanco, y tener todos los planos en 0 representa el color negro.
En la Figura 3.6 se muestra la descomposición del espacio de color RGB de la retinografía
mostrada en la Figura 3.5.
La descomposición del espacio de color se llevó a cabo a través de los siguientes comandos en
MATLAB, considerando que la imagen RGB mostrada en la Figura 3.6 está almacenada en la
variable im_original.
(
)
(
)
(
)
(
)
(
)
(
)
39
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
Figura 3. 6 Descomposición del espacio de color RGB: a) Plano Rojo (R), b) Plano Verde (G), y c) Plano Azul (B).
3.6.3 Conversión del espacio de color RGB a escala de grises
Debido a que la mayoría de los algoritmos de procesamiento de imágenes se llevan a cabo
utilizando imágenes monocromáticas (binarias y en escala de grises) [8, 11], además de que los
parámetros a color RGB (Red, Green, Blue) no son necesarios en nuestra clasificación, se
decidió convertir la imagen RGB en una imagen en escala de grises (GS), como se muestra en
la Figura 3.7.
Figura 3. 7 Imagen en escala de grises
Este proceso también se realizó para disminuir la carga computacional de las etapas posteriores
al pre-procesamiento, sin perder calidad en la imagen, ya que en vez de procesar tres planos
como sucede con las imágenes RGB solamente se procesa un solo plano. Para convertir una
imagen RGB en una imagen en escala de grises se usó la función rgb2gray de MATLAB, la cual
matemáticamente se define como:
(
Dónde
son los valores de intensidad de cada plano en la imagen original (RGB) [8].
40
)
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
Por otro lado, la conversión del espacio de color también se puede realizar en cada uno de los
planos de una imagen a color RGB como se muestra en la Figura 3.8, usando los comandos
siguientes:
(
)
(
)
(
)
Figura 3. 8 Conversión del espacio de color. a) Plano Rojo, b) Plano Verde, y c) Plano Azul.
3.6.4 Mejora del contraste
Esta etapa consiste en modificar los pixeles de una imagen con la finalidad de obtener un nuevo
contraste [13-16]. El contraste se define como la diferencia relativa en intensidad que existe
entre un punto de una imagen y sus alrededores, cuando el contraste es nulo, resulta imposible
distinguir un objeto de su fondo. Para mejorar el contraste de las imágenes en escala de grises
en este trabajo se implementaron dos algoritmos: ajuste de los valores de intensidad y
ecualización del histograma [8, 11, 13-16].
3.6.4.1 Ajuste de los valores de intensidad
Es una herramienta básica para la transformación de intensidades en imágenes en escala de
grises y consiste en delimitar un intervalo de intensidades [8]. Las intensidades que se
encuentran dentro del intervalo delimitado pueden ser mapeadas a nuevos valores, de acuerdo a
una curva establecida por el usuario, dicha curva está definida por cinco parámetros, el factor
gamma (γ), Vbajo_salida, Valto_salida, Vbajo_entrada y Valto_entrada, donde Valto_salida y
Vbajo_salida delimitan el intervalo de valores de intensidad que se modificaran, mientras que el
factor gamma, Vbajo_entrada y Valto_entrada indican la forma de la curva, estas propiedades se
muestran en la Figura 3.9.
41
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
Figura 3. 9 Curvas de ajuste de contraste.
3.6.4.2 Ecualización del histograma
El histograma es la representación gráfica, en forma de barras o valores discretos, de la función
de distribución de los valores de intensidad de una imagen, agrupados en clases [8,11]. En otras
palabras es un arreglo que contiene como datos el número de pixeles que tienen un mismo valor
de intensidad, para el caso de las imágenes en escala de grises es de 256. La ecualización del
histograma consiste en hacer una transformación de la intensidad de los pixeles para mejorar el
intervalo dinámico de una imagen y darle mayor contraste [11]. Lo anterior se logra
implementando el siguiente algoritmo [8,11]:
1.- Obtener el histograma de la imagen en escala de grises.
( )
Dónde
es el
(
nivel de intensidad en el intervalo [0, 255] y
pixeles en la imagen, cuyo nivel de intensidad es
)
es el número de
.
2.- Calcular mediante la ecuación 3.3 el arreglo de la función de distribución acumulada (FDA) a
partir del histograma obtenido en el paso 1 (ecuación 3.3).
()
()
(
)
Dónde ( ) es el histograma de la imagen en escala de grises (para
número de niveles de gris en la imagen. El valor de
(
(
)y
es el
) es igual a cero.
3.- Encontrar los nuevos valores que abarcan todo el intervalo dinámico posible en una imagen.
42
)
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
( )
Dónde
(
(
( )
)
son las dimensiones de la imagen,
es el número de intensidades existentes (para
(
))
es el valor mínimo del arreglo
)y
(
)
,
es el número de niveles de
gris en la imagen.
En la Figura 3.10 se muestran los resultados obtenidos al implementar los algoritmos de mejora
de contraste descritos anteriormente.
Figura 3. 10 Implementación de los algoritmos de mejora de contraste en imágenes en escala de grises: a) Imagen
original en escala de grises y su histograma, b) Ajuste de los valores de intensidad y c) Ecualización del histograma.
43
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
3.6.5 Negativo de una imagen
El negativo de una imagen con niveles de intensidad en el intervalo [0, L-1] se obtiene usando
la transformación negativa mostrada en la Figura 3.11, la cual está dada por la siguiente
expresión:
(
Dónde
es el valor del pixel antes del procesamiento y
)
es el valor del pixel después del
procesamiento [8,11].
Al invertir los niveles de intensidad de una imagen, se produce el equivalente al negativo de una
fotografía [8, 16, 17]. Este tipo de procesamiento está diseñado particularmente para mejorar los
detalles blancos o grises incrustados en las regiones obscuras de una imagen, especialmente
cuando las áreas obscuras son las que dominan en tamaño [11].
Figura 3. 11 Algunas funciones básicas de transformaciones de intensidad. Todas las curvas están escaladas para
ajustarse en el intervalo mostrado.
(Fuente: R.C. Gonzalez, R.E. Woods and S.T. Eddins, Digital Image Processing using MATLAB, 2nd Ed., Knoxville,
USA: Gatesmark Publishing, 2009, pp. 78 [11]).
44
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
En la Figura 3.12 se muestra el negativo de una imagen, donde la imagen original es una
retinografía con lesiones pequeñas (Exudados Duros y Microaneurísmas), a pesar de que el
contenido visual es el mismo en ambas imágenes, hay que tener en cuenta que en este caso en
particular, analizar la lesión en la imagen negativa es más fácil con respecto a la imagen original.
Figura 3. 12 a) Imagen digital original y b) Negativo de la imagen.
3.7
Segmentación
La etapa de segmentación consiste en dividir una imagen digital en regiones homogéneas con
respecto a una o más características, con el objetivo de facilitar su análisis y reconocimiento
automático. Existen varios algoritmos de segmentación como lo son: binarización, detección de
bordes y morfología matemática [13, 14, 17, 18], los cuales se emplearon en este trabajo de
tesis y se explican a continuación.
3.7.1 Binarización
Consiste en crear una imagen binaria (blanco y negro) a partir de una imagen en escala de
grises. La imagen binaria está definida por:
(
Dónde
(
)
(
)
(
)
{
(
)
) representa la imagen binaria, 1 y 0 representan el color blanco (objeto) y negro
(fondo) respectivamente, (
) representa la imagen en escala de grises y
el valor de umbral
establecido. A continuación se describen los tres algoritmos de binarización comúnmente
descritos en la literatura [8, 17].
45
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
3.7.1.1 Binarización local
Este método se utiliza cuando el fondo de la imagen no es constante y se obtiene un valor de
umbral
diferente para cada pixel. Matemáticamente se expresa como:
(
Donde
son constantes no negativas,
)
son la desviación estándar y el valor medio
del conjunto de pixeles contenidos en un vecino cercano con centro en (
) en una imagen. La
imagen segmentada se calcula como:
(
Dónde
(
)
(
)
(
)
(
{
)
) es la imagen de entrada. La ecuación anterior es evaluada e implementada en
todos los pixeles de la imagen [8].
3.7.1.2 Binarización global
Este método se utiliza cuando la intensidad del fondo de la imagen varía muy poco o no tiene
variaciones, por lo que para este método se selecciona un valor de umbral constante ( ). Existen
diversos algoritmos para elegir este valor, entre ellos el algoritmo de González y Woods y el
algoritmo de Otsu [8, 11, 17], ambos utilizados en el presente trabajo.
3.7.1.2.1 Algoritmo de González y Woods
Este algoritmo es capaz de seleccionar el valor de umbral
de manera automática, a través de
procesos iterativos, tal y como se muestra a continuación:
1.- Se elige un valor de umbralización estimado
, usualmente se escoge el valor medio entre el
mínimo y el máximo de la intensidad.
46
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
2.- Se segmenta la imagen usando el valor de umbral
y
,
. Se producirán dos grupos de pixeles:
contiene todos los pixeles con valores de intensidad mayores a
todos los pixeles con valores de intensidad menores o iguales a
3.- Se calcula el promedio de intensidades
4.- Se genera un nuevo valor
,y
contiene
.
de las regiones
, respectivamente.
, usando la siguiente ecuación:
(
)
5.- Repetir del paso 2 al paso 4 hasta que el valor de
(
sea menor que
)
.
3.7.1.2.2 Algoritmo de Otsu
Este algoritmo utiliza un valor de umbral
que maximiza el valor de la varianza entre las clases
de una imagen. A continuación se describe cómo se lleva a cabo dicho algoritmo:
1.- Se obtiene el histograma normalizado de la imagen.
(
Dónde
es el número total de pixeles en la imagen,
niveles de intensidad
para
y
)
es el número de pixeles que tienen los
es el número total de los valores de
intensidad posibles en la imagen.
2.- Se selecciona el valor de umbralización
que maximice el valor de la varianza entre clases
( ), tomando en cuenta que el valor de umbralización
conjunto de pixeles con valores de (
de (
sea el
sea el conjunto de pixeles con valores
), entonces:
( )
Dónde
)y
es elegido tal que
( )[
( )
]
es el pixel asignado al i-ésimo valor,
los conjuntos
respectivamente.
47
( )[
( )
( )
]
(
)
( ) es la probabilidad de que existan
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
( )
Los términos
( )
( )
∑
( )
∑
(
)
( ) son la media de las intensidades de los pixeles del conjunto
respectivamente. El termino
es la media global (la media de las intensidades contenidas en
toda la imagen).
( )
∑
3.- Se obtiene la varianza entre clases
∑
(
)
( ) de la imagen, realizando la siguiente operación:
( )
[
( )
( )[
( )]
( )]
(
)
4.- Se repiten estos pasos hasta encontrar un valor de umbralización , que maximice el valor de
la varianza entre clases
( ).
La implementación de este algoritmo es computacionalmente más eficiente debido a que solo dos
parámetros
parámetro
tienen que ser calculados para todos los valores de
, mientras que el
se calcula una sola vez [8].
3.7.1.3 Binarización con histéresis
Este método consta de dos valores de umbralización, umbral bajo y umbral alto. Si la magnitud
del pixel es mayor al valor del umbral alto se le llama pixel rígido y su magnitud cambia a 1, si la
magnitud del pixel es menor al valor del umbral bajo se le llama pixel débil y su magnitud cambia
a 0, si la magnitud del pixel se encuentra entre los dos valores de umbralización (umbral bajo y
umbral alto) se analizaran los valores de sus pixeles vecinos y si esté se encuentra en contacto
con un pixel rígido este se convertirá en un pixel rígido y su magnitud cambiara a 1.
48
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
3.7.2 Detección de bordes
La detección de bordes, es un método usado para detectar los cambios de intensidad en
imágenes de 2 y 3 dimensiones. El borde de una imagen se define, como la transición entre dos
regiones con niveles de intensidad significativamente distintos [19], en otras palabras un borde
es un contorno a través del cual el brillo de la imagen cambia abruptamente en magnitud [11]. La
mayoría de los algoritmos de detección de bordes emplean operadores locales basados en
distintas aproximaciones discretas de la primera y segunda derivada de una imagen.
La primera derivada es cero en todas las regiones de intensidad constante y tiene un valor
constante en toda la transición de intensidad. La segunda derivada en cambio es cero en todos
los puntos, excepto en el comienzo y en el final de una transición de intensidad [11, 16, 17, 19],
como se muestra en la Figura 3.13.
Figura 3. 13 Conceptos de primera y segunda derivada para la detección de bordes.
(Fuente: Imagen de la web http://mipav.cit.nih.gov/documentation/HTML%20Algorithms/Edge_Detection_Zero_X.html)
Por lo tanto, un cambio de intensidad se manifiesta como un cambio brusco en la primera
derivada y presenta un “cruce por cero”, es decir produce un cambio de signo en su valor, en la
segunda derivada. A continuación se describen los dos tipos de operadores usados en la
detección de bordes en una imagen.
49
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
3.7.2.1 Operadores basados en la primera derivada (Gradiente)
El gradiente de una imagen (
) en la posición (
[
]
) viene dado por el vector:
[
]
El gradiente de un vector indica la dirección de la máxima variación de
(
)
en el punto (
),
mientras que el módulo del vector
nos da el valor de la máxima variación de
unidad de distancia en la dirección de
.
|
|
) por
(
√
(
)
En el Procesamiento Digital de Imágenes, es común aproximar el gradiente por sus valores
absolutos, debido a que su implementación en la práctica es más simple.
|
La dirección del vector
un punto (
está dada por
(
|
|
|
(
) que es el ángulo de dirección del vector
)
en
), estos ángulos se miden con respecto al eje de las abscisas usando la siguiente
expresión.
(
)
(
)
(
)
El cálculo del gradiente se basa en obtener las derivadas parciales para cada pixel. Las
derivadas se pueden implementar digitalmente de varias formas [11, 12, 16-19], por ejemplo,
mediante el uso de matrices o máscaras de convolución, donde la suma de los coeficientes de
las máscaras debe ser cero, para que la derivada de una zona uniforme sea cero, tal y como se
muestra a continuación.
Operador de Roberts.- Utiliza las direcciones diagonales para calcular el vector gradiente
mediante las máscaras mostradas en la Figura 3.14 a), este operador funciona mejor en
imágenes binarias y es considerado el operador de gradiente más simple.
50
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
Operador de Prewitt.- Este operador obtiene el promedio del valor del borde mediante las
máscaras mostradas en la Figura 3.14 b), la detección se realiza con un ángulo de 90° sobre la
dirección que aparentemente tiene el borde.
Operador de Sobel.- Este operador es una mejora del operador de Prewitt, la detección se
realiza con un ángulo de 90° sobre la dirección que aparentemente tiene el borde y enfatiza el
pixel central de la máscara (es decir, lo multiplica por 2), la Figura 3.14 c) muestra las máscaras
empleadas en este algoritmo.
Operador de Frei Chen.- También conocido como operador isotrópico, tiene como objetivo lograr
un equilibrio entre el operador de Prewitt (buena detección para bordes verticales y horizontales)
y el operador de Sobel (buena detección de bordes diagonales), para lo cual se aplica la
máscara mostrada en la Figura 3.14 d).
Figura 3. 14 Operadores basados en la primera derivada. Máscara del operador a) Roberts, b) Prewitt, c) Sobel y d)
Frei Chen. Donde
es en sentido horizontal y
es en sentido vertical.
Algoritmo de Canny.- Este algoritmo está basado en la teoría de los operadores de primera
derivada y resulta idónea su implementación debido a que extrae bordes y cierra contornos
evitando posibles rupturas de los mismos durante su extracción [8, 12, 15, 16, 19].
Este algoritmo cumple con tres criterios importantes para nuestros propósitos, y estos son:
1.- Precisión en la localización del contorno, garantizando la mayor proximidad de los bordes
detectados a los bordes verdaderos.
2.- Fiabilidad en la detección de los puntos de contorno, minimizando la probabilidad de
detección de falsos bordes causados por el ruido, así como también la perdida de bordes
reales.
51
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
3.- Unicidad en la obtención de un borde único para el contorno, garantizando bordes con una
anchura máxima de un pixel.
La esencia del trabajo de John F. Canny radica, en expresar los criterios antes mencionados en
forma matemática y obtener una solución óptima de dichas formulaciones. A continuación se
muestran los pasos necesarios para la implementación de este algoritmo:
1.- Suavizado de la imagen: Se emplea un filtro Gaussiano para evitar que el ruido en una
imagen sea tomado como un borde.
2.- Calcular la magnitud y el ángulo del gradiente: Para realizar esta tarea se emplean las
máscaras del operador de Sobel mostradas en la Figura 3.14 c).
3.- Supresión de no máximos: Como el gradiente produce bordes gruesos es necesario
adelgazar dichos bordes, lo cual se logra usando los valores obtenidos en el paso 2 y
analizando la magnitud y dirección del pixel central de la ventana y las magnitudes de los dos
pixeles adyacentes en la dirección del vector, si la magnitud de este es mayor a la de sus
pixeles vecinos este es un máximo y se queda con su valor, si no es máximo se elimina
dándole un valor de cero.
4.- Doble umbralización y análisis de conectividad para detectar y enlazar los bordes: En
esta etapa se emplea la binarización por histéresis y consiste en la aplicación de dos posibles
umbrales, de forma que, dado un segmento lineal, si un valor permanece por encima del
umbral superior será inmediatamente aceptado, mientras que si el valor permanece por
debajo será rechazado. Los puntos que permanezcan entre los dos límites serán aceptados si
pueden ser conectados con pixeles vecinos. De esta forma la posibilidad de partición del
borde será reducida drásticamente.
3.7.2.2 Operadores basados en la segunda derivada
Cuando se utiliza un valor de umbral para determinar si existe o no un borde, se puede llegar a
detectar muchos puntos, lo cual produce bordes gruesos; una forma de adelgazar los bordes es
encontrando únicamente los puntos que tienen un máximo local en los valores de gradiente y
considerar estos como puntos del borde [11, 16-18].
52
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
A continuación se describen los operadores que corresponden a la segunda derivada.
Operador Laplaciano.- Es el equivalente bidimensional de la segunda derivada y tiene la ventaja
sobre los operadores de primera derivada en que este operador es isotrópico, es decir, es
invariante en rotación, esto es, si el operador Laplaciano se aplica a una imagen y la imagen se
rota, se obtendrá el mismo resultado si la imagen se rota primero y el operador Laplaciano se
aplica después.
La fórmula de la función Laplaciana (
) es:
(
)
Como en el caso del gradiente, la ecuación 3.20 se puede implementar de manera digital como
se muestra en la Figura 3.15 a).
Operador Laplaciano del Gaussiano (LoG).- Este operador combina el filtrado Gaussiano con el
Laplaciano para la detección de bordes. Este operador consiste en tres pasos, los cuales son:
filtrado, realce (segunda derivada) y detección (cruce por cero).
En la Figura 3.15 b), se muestra una máscara clásica de la aplicación del Laplaciano del
Gaussiano (LoG).
Figura 3. 15 Operadores basados en la segunda derivada. A) Máscaras del operador Laplaciano y b) Máscaras del
operador Laplaciano del Gaussiano.
La detección de bordes se llevó a cabo en dos imágenes en escala de grises (escudo de la
ESIME y en una retinografía). Los resultados obtenidos se muestran en las Figuras 3.16 y 3.17.
53
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
Figura 3. 16 Detección de bordes. a) Imagen ESIME en escala de grises, b) Operador de Roberts, c) Operador de
Prewitt, d) Operador de Sobel, e) Algoritmo de Canny, f) Operador Laplaciano y g) Operador LoG.
Figura 3. 17 Detección de bordes. a) Retinografía en escala de grises, b) Operador de Roberts, c) Operador de Prewitt,
d) Operador de Sobel, e) Algoritmo de Canny, f) Operador Laplaciano y g) Operador LoG.
54
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
En la Figura 3.16 se observa que no existe ruido de falsos bordes, pero si existe engrosamiento
de los bordes en los dos últimos operadores, mientras que en la Figura 3.17 se observa que el
único operador que no tuvo engrosamiento o ruido de falsos bordes, fue el algoritmo de Canny, lo
cual hace que este algoritmo sea el ideal para esta aplicación en particular.
3.7.3 Morfología matemática
La morfología matemática procesa imágenes con ayuda de formas especiales escogidas
previamente, las cuales generalmente son matrices más pequeñas que la imagen y reciben el
nombre de elemento estructural [17, 19], el cual actúa, como un operador sobre una imagen
para producir un resultado. La forma, tamaño y orientación del elemento estructural, son
escogidos en base a un conocimiento previo tomando en cuenta las estructuras geométricas
relevantes que estén presentes en la imagen y el objetivo que se persiga con la operación
morfológica implementada [13, 16, 17, 19]. Cada elemento de estructura requiere la definición
de un punto de origen (o de referencia) para su aplicación como operador morfológico. Esto
permite que el elemento de estructura se pueda relacionar de una forma particular con los pixeles
de la imagen [17]. En la Figura 3.18 se muestran algunos elementos estructurales.
Figura 3. 18 Elementos estructurales de 3 x 3, donde el punto de origen está representado en color morado.
3.7.3.1 Dilatación
La dilatación también llamada expansión, llenado o crecimiento, produce un efecto de
engrosamiento en los bordes del objeto. Este algoritmo se utiliza para aumentar el contorno de
los objetos y unir las líneas descontinuas de estos, producidas por algún filtrado,
matemáticamente la dilatación
binaria se define como:
*
|
(
)
Es decir, dado un elemento estructural B (formado por unos y ceros), la dilatación de A por B es
el conjunto de todos los desplazamientos de c tales que B y A se solapen en al menos un
elemento distinto de cero. La Figura 3.19 a), muestra un ejemplo de la dilatación binaria.
55
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
Considerando las imágenes en escala de grises como superficies
(
) y tomando como
elemento estructural B, se define el operador de dilatación como:
(
)
* (
)
(
)|(
)
( ) (
)
( ) (
)
La Figura 3.20 a), muestra un ejemplo de la dilatación en escala de grises.
3.7.3.2 Erosión
La erosión es la función dual de la dilatación, pero no es la inversa, es decir, si se hace una
erosión y luego una dilatación la imagen resultante no va a ser igual a la imagen original,
matemáticamente la erosión
se define como:
*
|
(
)
Dada una imagen A se erosiona por B cuando para todos los puntos x tales que B, trasladado
por x, está contenido en A. Es decir, la erosión pone a cero todos los pixeles de la imagen que
no contengan completamente al elemento estructural en su entorno. Si la dilatación expandía los
bordes y contornos de los objetos, la erosión reduce los contornos de los objetos, este operador
se utiliza para separar objetos que están unidos por una pequeña parte de sus contornos. La
Figura 3.19 b), muestra un ejemplo de la erosión binaria.
Considerando las imágenes en escala de grises como superficies
(
) y tomando como
elemento estructural B, se define el operador de erosión como:
(
)
* (
)
(
)|(
)
( ) (
)
( ) (
)
La Figura 3.20 b), muestra un ejemplo de la erosión en escala de grises.
3.7.3.3 Apertura
La apertura tiene como función eliminar las protuberancias de la imagen, así como desconectar
conjuntos y suprimir las componentes conexas más pequeñas que son cubiertas completamente
por el elemento estructural, matemáticamente la apertura binaria se define como:
56
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
(
)
(
)
La expresión anterior no es más que la erosión de una imagen A por un elemento estructural B
seguido de una dilatación con el mismo elemento estructural B. Las Figura 3.19 c) y 3.20 c),
muestran un ejemplo de la apertura binaria y en escala de grises respectivamente.
3.7.3.4 Clausura
La clausura tiene como función conectar las componentes cercanas de la imagen y llenar los
huecos,
siempre
que
sean
más
pequeños
que
el
elemento
estructural
empleado,
matemáticamente la clausura se define como:
(
)
(
)
La expresión anterior representa una dilatación de la imagen A por un elemento estructural B
seguida de una erosión con el mismo elemento estructural B. Las Figura 3.19 d) y 3.20 d),
muestran un ejemplo de la apertura binaria y en escala de grises respectivamente.
Figura 3. 19 Operadores morfológicos en una imagen binaria. a) Imagen binaria original, b) Dilatación, c) Erosión, d)
Apertura y e) Clausura.
57
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
Figura 3. 20 Operadores morfológicos en una imagen en escala de grises. a) Imagen en escala de grises original, b)
Dilatación, c) Erosión, d) Apertura y e) Clausura.
3.8
Análisis de características
Una vez realizado el proceso de segmentación, donde se obtienen los bordes de los objetos bien
definidos, el siguiente paso consiste en obtener parámetros o descriptores que definan las
características de cada objeto, por ejemplo: forma, textura, color, orientación, etc. Los algoritmos
usados en esta etapa dependen de la aplicación requerida [13, 14, 19].
3.8.1 Cálculo de magnitudes geométricas
En procesamiento de imágenes, el cálculo de magnitudes geométricas se refiere a la evaluación
de características asociadas con objetos extraídos de imágenes. Estas mediciones deben de ser
usadas para clasificar objetos, ya sea con propósitos de reconocimiento de patrones o para
elaborar una base de datos. Las mediciones de la distribución espacial de los pixeles y de sus
valores son los más simples de implementar. Algunas cantidades que se pueden considerar como
medidas geométricas en una imagen son [11, 15].
Área.- Los algoritmos de área miden el número de pixeles contenidos en su contorno. Se debe
de definir el límite del objeto, o la región en donde se encuentra el objeto así como el intervalo de
valores de pixel que se deberán de contar como parte de ese objeto.
58
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
∑∑
Dónde
(
(
)
(
)
) es un pixel del objeto segmentado.
Perímetro.- Es la longitud del contorno de una región.
Centroide.- Es un punto que define el centro geométrico de un objeto. Y se calcula usando las
siguientes expresiones:
Dónde,
y
son las coordenadas del centroide,
∑
(
)
∑
(
)
y
son las coordenadas del i-ésimo pixel.
Circularidad.- Es una medida de que tan circular es un objeto [20].
(
)
(
)
Densidad del objeto.- Es una medida de la distribución de un objeto, y se define como [20]:
(
)
Eje máximo y eje mínimo.- Corresponden a los ejes que atraviesan el centroide del objeto (ver
Figura 3.21).
Figura 3. 21 Eje máximo y eje mínimo.
59
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
3.8.2 Análisis de textura
Un método importante para la descripción de regiones consiste en cuantificar su contenido de
textura. Este descriptor proporciona la medición de propiedades tales como suavizado, rugosidad
y regularidad.
Los métodos principales de análisis de texturas son: espectrales, estadísticos y estructurales. Las
técnicas espectrales se basan en el dominio de la frecuencia. Las técnicas estadísticas se basan
en la relación de la intensidad de los pixeles en funciones estadísticas, tales como la matriz de
co-ocurrencia, la cual captura la matriz de distribución espacial de los niveles de gris y obtiene
las características de energía, contraste, homogeneidad y correlación. Las técnicas estructurales
tratan la composición de primitivas de imágenes (descripción de texturas basadas en líneas
paralelas) [11,17].
En este trabajo se midieron dos propiedades de textura de la imagen, la entropía y la
homogeneidad [13, 14, 19-22].
Entropía- Es la medida estadística de la aleatoriedad de la textura de la imagen en escala de
grises. Se obtiene después de aplicar la ecualización del histograma en la componente verde de
la imagen.
(
∑
Dónde
(
)
(
) describe con que frecuencia 2 pixeles
por una distancia
en una dirección
)
(
)
aparecen en la ventana separados
.
Homogeneidad.- Es el cálculo de la frecuencia de cada par de pixeles que ocurre para diferentes
combinaciones de valores de brillo de los pixeles en una imagen, usando la matriz de coocurrencia de los niveles de gris.
∑
(
60
)
(
)
Capítulo 3
3.9
Elementos de un Sistema Diagnóstico Asistido por Computadora
Redes Neuronales
Para comprender el funcionamiento de una Red Neuronal Artificial (RNA) o Artificial Neural
Network (ANN por sus siglas en inglés) es importante conocer que es, como funciona y como
está formada una red neuronal biológica, por lo que a continuación se describen estos conceptos.
3.9.1 Redes Neuronales Biológicas
El cerebro humano se compone de más de 10 mil millones de neuronas interconectadas entre sí,
formando circuitos o redes que desarrollan funciones específicas [23, 24]. Una neurona típica
(ver Figura 3.22) recoge señales procedentes de otras neuronas a través de una inmensa
cantidad de delicadas estructuras llamadas dendritas.
Figura 3. 22 Representación esquemática de una neurona.
(Fuente: Vander et al., Human Physiology: The Mechanism of Body Function, 8th ED.,
The McGraw Hill, 2001, p. 177 [25])
La neurona emite impulsos de actividad eléctrica a lo largo de una fibra larga y delgada,
denominada axón. Las extremidades de estas ramificaciones llegan hasta las dendritas de otras
neuronas y establecen conexiones llamadas sinapsis, en las cuales se producen las
transformaciones de impulsos eléctricos en mensajes neuroquímicos, mediante la liberación de
sustancias llamadas neurotransmisores [23, 25]. El efecto de los neurotransmisores sobre la
neurona receptora puede ser de excitación o de inhibición, y es variable, de manera que se
puede hablar de la efectividad o la fuerza de una sinapsis.
61
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
Las señales de excitación e inhibición recibidas por la neurona se combinan y en función de la
estimulación total recibida, la neurona toma cierto nivel de activación, que se traduce en la
generación de breves impulsos nerviosos con una tasa de disparo y su propagación a lo largo del
axón hacia las neuronas con las cuales se establece comunicación. De esta manera la
información se transmite de unas neuronas a otras y va siendo procesada a través de las
conexiones sinápticas y las propias neuronas, el aprendizaje de la red neuronal depende de la
variación en la efectividad de la sinapsis [25].
3.9.2 Redes Neuronales Artificiales
Una Red Neuronal Artificial es un sistema masivo de procesamiento paralelo distribuido que está
compuesto de unidades de procesos simples, y tiene una predisposición natural para almacenar
conocimiento experimental y transformarlo para un uso determinado [24, 26,27]. Se dice que la
Red Neuronal Artificial asemeja al cerebro humano en dos aspectos [27]:
1.- La Red Neuronal Artificial adquiere el conocimiento de su entorno a través de un proceso de
aprendizaje.
2.- La fuerza o importancia de las interconexiones entre las neuronas, conocidas como pesos
sinápticos se usan para almacenar el conocimiento adquirido.
3.9.2.1 Estructura básica
La Figura 3.23 ilustra una neurona artificial típica [23, 24, 17]. El flujo de la señal de entrada
se considera que es unidireccional, como lo indican las flechas, al igual que la señal de
salida , la cual está dada por la siguiente expresión:
(
Dónde
)
(∑
)
es el peso del vector (conexión sináptica), y la función (
de activación (transferencia). La variable
(
)
) se refiere a la función
se define como el producto escalar del peso por la
entrada del vector,
62
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
(
Dónde
es la matriz transpuesta. En un caso simple el valor de la salida
(
Dónde
)
)
se calcula como:
{
(
)
es llamado nivel de umbral.
Figura 3. 23 Diagrama básico de una red neuronal artificial.
(Fuente: Imagen de la web: www.csie.thu.edu.tw/old/files/東海大學0426%20-new.ppt [27])
3.9.2.2 Aprendizaje de las redes neuronales artificiales
Las Redes Neuronales Artificiales son sistemas que aprenden a base de ejemplos, su capacidad
de resolver problemas depende del tipo de ejemplos que se dispongan en este proceso [20, 23,
24, 26]. Los ejemplos proporcionados deben de tener las siguientes características:
Significativos.- Entre mayor sea el número de ejemplos mejor se adaptarán los pesos para poder
resolver el problema.
Representativo.- Deben de ser diversos. La Red Neuronal Artificial se especializará en el
subconjunto que tenga el mayor número de ejemplos.
63
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
El proceso de aprendizaje consiste en introducir todos los ejemplos y modificar los pesos
de
las conexiones. Una vez modificados los pesos se comprueba que se cumpla el criterio de
convergencia, el cual está determinado por el tipo de red utilizada o por el problema a resolver, si
no es así se repite el proceso. La culminación del proceso de aprendizaje se puede determinar
cómo: el número de veces que serán introducidos los ejemplos o a través del error menor a un
umbral o cuando la modificación de los pesos sea irrelevante.
Existen tres tipos de esquemas de aprendizaje [23, 26].
Aprendizaje supervisado.- Se insertan los ejemplos y un conjunto de datos con información
relativa a la solución del problema. Cada vez que se inserta un ejemplo se compara la salida
obtenida en la red con la respuesta esperada, incluida en la información proporcionada en el
conjunto de aprendizaje. De acuerdo a la diferencia de estas dos salidas se modificarán los
pesos, una diferencia grande entre la salida esperada y la obtenida indica un cambio grande en
los pesos y por el contrario un cambio pequeño modifica levemente los pesos.
Aprendizaje no supervisado.- En este caso no se proporciona información adicional de la salida,
solo se proporcionan los ejemplos. En este caso la red trata de determinar características de los
ejemplos como rasgos significativos, regularidades o redundancias, para modificar los pesos a
partir de esta información interna.
Aprendizaje por refuerzo.- Es una variante del aprendizaje supervisado en la cual no existe
información concreta del error, solamente se determina si la salida es correcta o no.
Para poder validar si la red produce soluciones adecuadas y saber cuál es el error de estas
validaciones se debe de usar un conjunto de ejemplos diferentes al usado en el proceso de
aprendizaje.
3.9.2.3 Red Neuronal de Retropropagación
Básicamente el funcionamiento de una Red Neuronal de Retropropagación consiste en el
aprendizaje de un conjunto predefinido de pares de entradas-salidas dados como ejemplo,
empleando un ciclo propagación-adaptación de dos fases [28, 29].
64
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
Primera fase: Se aplica un patrón de entrada como estímulo para la primera capa de las
neuronas de la red, se propaga el patrón de entrada a través de todas las capas superiores hasta
generar una salida, se compara el resultado obtenido en las neuronas de salida con la salida que
se desea obtener y se calcula un valor del error para cada neurona de salida.
Segunda fase: Estos errores se transmiten hacia atrás, partiendo de la capa de salida, hacia
todas las neuronas de la capa intermedia que contribuyan directamente a la salida, recibiendo el
porcentaje de error aproximado a la participación de la neurona intermedia en la salida original.
La importancia de la Red de Retropropagación consiste en su capacidad de adaptar
automáticamente los pesos de las neuronas de las capas intermedias para aprender la relación
que existe entre un conjunto de patrones dados como ejemplo y sus salidas correspondientes.
Una característica importante, que se exige a los sistemas de aprendizaje, es la capacidad de
generalización, la cual consiste en proporcionar salidas satisfactorias a entradas que el sistema
no ha visto nunca en su fase de entrenamiento, lo anterior se logra haciendo uso de la regla delta
generalizada, la cual emplea una función o superficie de error (Figura 3.24) asociada a la red,
buscando el estado estable de mínima energía o de mínimo error a través del camino
descendente de la superficie de error. Por ello, realimenta el error del sistema para realizar la
modificación de los pesos en un valor proporcional al gradiente decreciente de dicha función de
error.
Figura 3. 24 Superficie de error.
(Imagen de la web: http://proton.ucting.udg.mx/posgrado/cursos/idc/neuronales2/ReglaB.htm)
3.9.2.3.1 Estructura y Aprendizaje
En una Red Neuronal de Retropropagación existe una capa de entrada con
capa de salida con
neuronas y una
neuronas y al menos una capa oculta de neuronas internas (ver Figura
3.25).
65
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
Cada neurona recibe entradas de todas las neuronas de la capa anterior y envía su salida a
todas las neuronas de la capa posterior. No hay conexiones hacia atrás, ni laterales entre las
neuronas de la misma capa.
Figura 3. 25 Arquitectura de una Red Neuronal de Retropropagación.
A continuación se presentan, a modo de síntesis, los pasos y formulas a utilizar para aplicar el
algoritmo de entrenamiento [28, 29]:
1.- Iniciar los pesos de la red con valores pequeños aleatorios.
2.- Presentar un patrón de entrada
generar la red
, y especificar la salida deseada que debe
.
3.- Calcular la salida actual de la red
. Para una neurona
oculta:
∑
(
)
Dónde el índice h se refiere a magnitudes de la capa oculta, el subíndice , al p-ésimo vector de
entrenamiento, y
a la j-ésima neurona oculta. El término
puede ser opcional, pues actúa
como una entrada más. Las salidas de las neuronas ocultas se calculan como:
(
66
)
(
)
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
Se realizan los mismos cálculos para obtener las salidas de las neuronas de salida:
∑
(
)
4.- Calcular los términos de error para todas las neuronas. Si la neurona
(
)
(
)
es una neurona de la
capa de salida, el valor de la delta es:
(
La función
)
(
(
)
)
debe cumplir el requisito de ser derivable, para lo cual disponemos de dos formas
de función de salida que nos pueden servir: la función lineal de salida y la función sigmoidal
definidas por las expresiones
y
respectivamente.
(
(
)
)
(
)
(
)
La selección de la función de salida depende de la forma en que se decida representar los datos
de salida: si se desea que las neuronas de salida sean binarias, se utiliza la función sigmoidal,
puesto que esta función es casi biestable y además es derivable. Para la función lineal, tenemos
que
, mientras que la derivada de una función
(
)
sigmoidal es:
(
)
(
)
(
)
(
)
Por lo que los términos de error para las neuronas de salida quedan:
(
)
Para la salida lineal, y
(
)
Para la salida sigmoidal.
67
(
)
Capítulo 3
Si la neurona
Elementos de un Sistema Diagnóstico Asistido por Computadora
no es de salida, entonces la derivada parcial del error no puede ser evaluada
directamente. Por tanto, se obtiene el desarrollo a partir de valores que son conocidos y otros
que pueden ser evaluados. La expresión obtenida en este caso es:
(
(
)∑
)
Dónde se observa que el valor de las capas ocultas depende de todos los términos de error de la
capa de salida. De aquí surge el término de retropropagación. En particular, para la función
sigmoidal:
(
Dónde
(
)∑
)
se refiere a todas las neuronas de la capa superior a la de la neurona . Así el error que
se produce en una neurona oculta es proporcional a la suma de los errores conocidos que se
producen en las neuronas a las que está conectada la salida de esta, multiplicando cada uno de
ellos por el peso de la conexión. Los umbrales internos de las neuronas se adaptan de forma
similar, considerando que están conectados con pesos desde entradas auxiliares de valor
constante.
5.- Actualización de los pesos, para ello utilizamos el algoritmo recursivo, comenzando por las
neuronas de salida y trabajando hacia atrás hasta llegar a la capa de entrada, ajustando los
pesos de la forma siguiente:
Para los pesos de las neuronas de la capa de salida:
(
)
( )
(
(
)
)
(
)
(
)
(
)
(
)
Y para los pesos de las neuronas de la capa oculta:
(
)
( )
(
)
68
(
)
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
6.- El proceso se repite hasta que el término de error
∑
(
)
Resulte lo suficientemente pequeño para cada uno de los patrones aprendidos.
3.9.2.3.2 Dimensión de la red y número de neuronas ocultas.
No se pueden dar reglas concretas para determinar el número de neuronas o el número de capas
de una red para resolver un problema concreto. Lo mismo ocurre al seleccionar el conjunto de
vectores de entrenamiento, en todos estos casos, lo único que se puede dar son algunas ideas
generales deducidas de la experiencia de numerosos autores [28, 29]. Respecto al número de
capas de la red, en general tres capas son suficientes (entrada – oculta -salida). Sin embargo,
hay veces en que un problema es más fácil de resolver con más de una capa oculta. El tamaño
de las capas, tanto de entrada como de salida, suele estar determinado por la naturaleza de la
aplicación. En cambio, decidir cuantas neuronas debe tener la capa oculta no suele ser tan
evidente.
Brockett et al [30], describen que la elección del número de neuronas de la capa oculta
depende de distintos factores, como la naturaleza del problema, el tamaño y la calidad de los
datos, mientras que Tam y Kiang [31] describen que dos o menos neuronas en la capa oculta
pueden simplificar demasiado la red y no tener suficiente capacidad para aprender, por el
contrario, demasiadas neuronas en la capa oculta puede dar lugar a un sobre-aprendizaje, es
decir, buen ajuste en los datos de aprendizaje pero escaso poder predictivo para nuevos datos.
El número de neuronas ocultas intervienen en la eficacia del entrenamiento y generalización de la
red. No hay ninguna regla que indique el óptimo, en cada problema se debe ensayar con distintos
números de neuronas para organizar la representación interna y seleccionar el número que
proporcione mejores resultados, es posible eliminar neuronas ocultas si la red converge sin
problemas, determinando el número final de neuronas en función del rendimiento global del
sistema.
69
Capítulo 3
Elementos de un Sistema Diagnóstico Asistido por Computadora
3.10 Conclusiones
En este capítulo se revisaron, describieron e implementaron en MATLAB los algoritmos de
Procesamiento Digital de Imágenes usados en las etapas que conforman un Sistema de
Diagnóstico Asistido por Computadora (pre-procesamiento, segmentación y análisis de
características). También se presentaron los fundamentos teóricos de las Redes Neuronales de
Retropropagación que servirán de base para el desarrollo del algoritmo de clasificación de la No
Retinopatía Diabética y de la Retinopatía Diabética No Proliferativa (el cual se muestra en el
capítulo 4).
Además en base a la literatura consultada y a las necesidades de los oftalmólogos y
optometristas se determinó que la resolución espacial de la imagen redimensionada debe de
cumplir con los estándares NTSC (National Television System Committee: Comité Nacional de
Sistemas de Televisión) y PAL (Phase Alternating Line: Línea de Alternancia de Fase) por ser los
estándares de los monitores convencionales empleados por estos especialistas al momento de
visualizar estas imágenes, por lo tanto la resolución espacial será de 720 x 480 pixeles y de
720 x 576 pixeles, respectivamente, cabe mencionar que al realizar la normalización
(redimensionamiento) de la imagen se pierden algunos detalles, los cuales no son visibles al ojo
humano, lo cual disminuye la complejidad de los cálculos en las etapas siguientes al preprocesamiento. Por otro lado, se comprobó a través de las Figuras 3.16 y 3.17 que el algoritmo
idóneo para la detección de bordes en esta aplicación es el algoritmo de Canny, debido a que
este algoritmo no presenta bordes dobles, engrosamiento de los bordes detectados y/o ruidos de
falsos bordes, lo cual concuerda con lo descrito en literatura científica.
3.11 Referencias
[1]
The University of Chicago Medical Center. [Consulted on June 2011], Available at:
http://www.radiology.uchicago.edu/index.php?q=quantitative-image-analysis-and-computeraided-diagnosis/quantitative-image-analysiscomputer-aided-d
[2]
M. Niemeijer, M. Loog, M.D. Abramoff, M.A. Viergever, M. Prokop and B. Van Ginneken, On
Combining Computer Aided Detection Systems, IEEE Trans. Med. Imag., Vol. 30, No. 2, pp.
215-223, 2011. [Consulted on June 2011], Available at:
http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=5560857
70
Capítulo 3
[3]
Elementos de un Sistema Diagnóstico Asistido por Computadora
O.M. Soysal, J. Chen and H. Schneider, An Image Processing Tool for Efficient Feature
Extraction in Computer-Aided Detection Systems, IEEE International Conference on Granular
Computing, 2010. [Consulted on June 2011], Available at:
http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=5575956
[4]
M.L. Giger, N. Karssemeijer and S.G. Armato, Computer-Aided Diagnosis in Medical Imaging,
IEEE Trans. Med. Imag., Vol. 20, No. 12, pp. 1205-1208, 2001.
[Consulted on June 2011], Available at:
http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=974915
[5]
R. Nakayama, Y. Uchiyama, K. Yamamoto, R. Watanabe and K. Namba, Computer-Aided
Diagnosis Scheme Using a Filter Bank for Detection of Microcalcification Clusters in
Mammograms, IEEE Trans. Biomed. Eng., Vol. 53, No. 2, pp. 273-283, 2006. [Consulted
on June 2011], Available at: http://www.wiphala.net/research/proposal/papers/computeraided_diagnosis_scheme_using_a_filter_bank_for_detection_of_microcalcification_clusters_in
_mammograms.pdf
[6]
B. Verma and J. Zakos, A Computer-Aided Diagnosis System for Digital Mammograms Based
on Fuzzy-Neural and Feature Extraction Techniques, IEEE Trans. Inf. Tech. Biomed., Vol. 5,
No. 1, pp. 46-54, 2001. [Consulted on June 2011], Available at:
http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=908389
[7]
C. Heang Ping, S. Berkman and H. Lubomir, Computer Aided Diagnosis: Concepts and
Applications, University of Michigan Medical School. [Consulted on June 2011], Available at:
http://www.aapm.org/meetings/04AM/pdf/14-2366-10736.pdf
[8]
R.C. Gonzalez, R.E. Woods and S.T. Eddins, Digital Image Processing using MATLAB, 2nd
Ed., Knoxville, USA: Gatesmark Publishing, 2009, ISBN-10: 9780982085400, ISBN-13:
9780982085400, pp. 13-15, 80-82, 99-102, 285, 286, 318, 319, 541-549, 557-565.
[9]
H.C. Andrews, A.G. Tescher and R.P. Kruger, Image processing by digital computer: Image
restoration and enhancement can be implemented by means of large-scale digital computers,
with striking results, IEEE Spectrum July 1972, pp. 20-32. [Consulted on June 2011],
Available at: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=5218964
[10]
N. Ramirez Hernandez and J.L. Ramos Quirarte, Bits Plane Technique for Digital Image
Processing, 5th International Conference on Electrical Engineering, Computing Science and
Automatic Control 2008, pp. 186-191. [Consulted on June 2011], Available at:
http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=4723422
[11]
R.C. Gonzalez and R E. Woods, Digital Image Processing, 2nd Ed., New Jersey, USA:
Prentice Hall, Inc., ISBN-10: 0201180758, pp. 1,2, 54-62, 64-66, 75, 78, 79, 91-92,
112, 319, 362 519, 523-532, 572-585, 661, 665-669.
71
Capítulo 3
[12]
Elementos de un Sistema Diagnóstico Asistido por Computadora
U.R. Acharya, K.C. Chua, E.Y.K. Ng, W. Wei and C. Chee, Application of higher order spectra
for the identification of diabetic retinopathy stages, J. Med. Syst. Vol. 32, Suppl.(6), pp. 481–
488, 2008. [Consulted on June 2011], Available at:
http://www.springerlink.com/content/m7637r85130m5443/fulltext.pdf
[13]
P. Qiu, Image Processing and Jump Regression Analysis, 1st Ed., New Jersey, USA: John
Wiley & Sons, Inc., 2005, ISBN-10: 047142099-9, pp. 2-4, 139, 140, 189-205.
[14]
J. Nayak, P.S. Bhat, R. Acharya, C.M. Lim and M. Kagathi, Automated Identification of
Diabetic Retinopathy Stages Using Digital Fundus Images, J Med Syst, 2008, Vol. 32, pp.
107-115. [Consulted on June 2011], Available at:
http://www.springerlink.com/content/7638t987585q4w32/fulltext.pdf
[15]
W.K. Pratt, Digital Image Processing, 4th Ed., New Jersey, USA: John Wiley & Sons, Inc.,
2007, ISBN-13: 9780471767770, pp. 140, 247, 259-265, 389-393, 481-484, 494500, 625-629.
[16]
F.Y. Shih, Image processing and pattern recognition: Fundamentals and Techniques , 1st Ed.,
New Jersey, USA: John Wiley & Sons, Inc., 2010, ISBN-13: 9780470404614, pp. 12, 41,
42, 44-49, 63-69, 189, 199, 201-205.
[17]
M. Sonka, V. Hlavac and R. Boyle, Image Processing, Analysis, and Machine Vision ,
International Student Edition, ISBN-10: 0495244384, ISBN-13: 9780495244287, pp. 115,
116, 120, 123, 135-142, 176-183, 657-667, 719-725.
[18]
A. Osareh, M. Mirmehdi, B. Thomas and R. Markham, Automated identification of diabetic
retinal exudates in digital colour images, Br. J. Ophthalmol., Vol. 87, pp. 1220-1223, 2003.
[Consulted on June 2011], Available at:
http://www.cs.bris.ac.uk/Publications/Papers/2000035.pdf
[19]
F.Y. Cui, L.J. Zou and B. Song, Edge Feature Extraction Based on Digital Image Processing
Techniques, IEEE Int. Conference on Automation an Logistics, Qingdao, China September
2008, pp. 2320-2324. [Consulted on June 2011], Available at:
http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=4636554
[20]
J.A. Moreno-Escobar, F.J. Gallegos-Funes, V. Ponomaryov and A. Michtchenko, La función
de base radial de rango tipo M para la clasificación de imágenes de mamografía , Revista
Científica, Vol. 12, Núm. 2 pp.55-65, 2008, ESIME-IPN, ISBN 1665-0654.
[21]
N.A. Rahman, A.S. Mohamed and M.E. Rasmy, Retinal Identification, IEEE Cairo International
Biomedical Engineering Conference (CIBEC), 2008.
[Consulted on June 2011], Available at:
http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=4786039
72
Capítulo 3
[22]
Elementos de un Sistema Diagnóstico Asistido por Computadora
U.R. Acharya, E.Y.K. Ng, J.H. Tan, S.V. Sree and K.H. Ng, An Integrated Index for the
Identification of Diabetic Retinopathy Stages Using Texture Parameters, J. Med. Syst., 2011.
[Consulted on June 2011], Available at:
http://www.springerlink.com/content/l58l118w4k611263/fulltext.pdf
[23]
A. Abraham, Artificial Neural Networks, Handbook of Measuring System Design Vol. 3, John
Wiley and Sons, Ltd., 2005, ISBN: 0470021438, pp. 901-903.
[Consulted on June 2011], Available at:
http://www.softcomputing.net/ann_chapter.pdf
[24]
Tomas Nordström, (1995). Highly Parallel Computers for Artificial Neural Networks ., (PhD
Thesis – Division of Computer Science & Engineering Lulea University of Technology,
Sweden). Paper B: T. Nordström and B. Svensson, Using and Designing Massively Parallel
Computers for Artificial Neural Networks, Journal Of Parallel And Distributed Computing, Vol.
14, No. 3, 1992, pp. 260-285. [Consulted on June 2011], Available at:
http://www.nordstrom.nu/tomas/publications/ToNoThesisApproximation.pdf
[25]
Vander et al., Human Physiology: The Mechanism of Body Function , 8th ED., The McGraw
Hill, 2001, ISBN-10: 0072908017, ISBN-13: 9780072908015, pp. 176, 177.
[26]
A.K. Jain, J. Mao and K.M. Mohiuddin, Artificial Neural Networks: A tutorial, Computer, Vol.
29, No. 3, 1996, pp. 31-44. [Consulted on June 2011], Available at:
http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=485891
[27]
Jzau-Shenlg Lin, Machine Learning in Engineering Problems, Dept. of Computer Science and
Information Engineering, Nat’l Chin-Yi Institute of Technology.
[Consulted on June 2011], Available at:
www.csie.thu.edu.tw/old/files/東海大學0426%20-new.pp
[28]
J.R. Hilera y Víctor J. Martínez, Redes Neuronales Artificiales. Fundamentos, modelos y
aplicaciones, 1ra Ed., Madrid, España: Alfaomega, 2000, ISBN-10: 9701505719, pp. 131 –
145.
[29]
J.A. Freeman and D.M. Skapura, Neural Networks. Algorithms, Applications and Programming
Techniques, California, USA: Addison Wesley, 1991, ISBN-10: 0201513765, pp. 89 – 102
[30]
P.L. Brockett, W.W. Cooper, L.L. Golden and X. Xia, A case study in applying networks to
predicting insolvency for property and casualty insurers, Journal of the Operational Research
Society, Vol. 48, 1992, pp. 1153-1162. [Consulted on June 2011], Available at:
http://www.palgrave-journals.com/jors/journal/v48/n12/pdf/2600461a.pdf
[31]
K.Y. Tam, M.Y. Kiang, Managerial applications of neural networks: The case of bank failure
predictions, Management Science, Vol. 38, no. 7, 1992, pp. 926-947.
[Consulted
on
June
2011],
Available
73
at:
http://www.jstor.org/pss/2632376
Capítulo
4
Algoritmo Propuesto
“Si ayudo a una sola persona a tener esperanza, no habré vivido en vano”.
Martin Luther King (1929 - 1968.)
4.1
Introducción
En este capítulo se presentan los algoritmos desarrollados para detectar, segmentar y calcular de
manera automática el área de los Vasos Sanguíneos, los Microaneurísmas y los Exudados Duros
presentes en una imagen del fondo de ojo, también se describen los algoritmos usados para
calcular los valores de Homogeneidad y Entropía de esta imagen. Además se muestran los
resultados experimentales obtenidos al implementar estos algoritmos en las 216 retinografías a
color RGB que conforman nuestra base de datos, así como la arquitectura de la Red Neuronal de
Retropropagación propuesta para la clasificación de la No Retinopatía Diabética y de los estadios
de la Retinopatía Diabética No Proliferativa.
4.2
Segmentación de los Vasos Sanguíneos
La segmentación automática de los Vasos Sanguíneos en una retinografía, es un paso muy
importante en el registro de las imágenes para la detección, diagnóstico oportuno y evaluación del
tratamiento de diversas enfermedades oculares, entre ellas la Retinopatía Diabética [1-4],
además de ser imprescindible en la localización del disco óptico y la fóvea [5].
En la Figura 4.1 se muestra el diagrama a bloques del algoritmo desarrollado para la
segmentación de los Vasos Sanguíneos en una retinografía a color RGB.
74
Capítulo 4
Algoritmo Propuesto
Figura 4. 1 Diagrama de bloques del algoritmo propuesto para la segmentación de los Vasos Sanguíneos.
El primer bloque de este algoritmo consiste en seleccionar la retinografía a color RGB que se
quiere analizar, seguido de esto se redimensiona la imagen para llevarla a un tamaño estándar y
posteriormente se realizan los pasos que se muestran en la Figura 4.2.
Figura 4. 2 Diagrama de bloques para la segmentación de los Vasos Sanguíneos con presencia de ruido.
La mayoría de estos procesos se explicaron y realizaron en el capítulo anterior, por lo que
únicamente se describirán aquellos procesos que no han sido descritos con anterioridad.
La eliminación del disco óptico se obtiene al restar la imagen ecualizada mediante el histograma
y la imagen resultante de la apertura morfológica, seguido de esto se binariza la imagen
resultante y se realiza una nueva apertura morfológica para eliminar el ruido en la imagen.
75
Capítulo 4
Algoritmo Propuesto
En la Figura 4.3 se muestran los resultados obtenidos para cada uno de los procesos que
conforman la segmentación de los Vasos Sanguíneos en presencia de ruido.
Figura 4. 3 Pasos para la segmentación de los Vasos Sanguíneos con presencia de ruido. a) Imagen normalizada, b)
Componente verde de la retinografía, c) Retinografía en escala de grises, d) Negativo de la retinografía, e)
Ecualización del histograma, f) Apertura Morfológica, g) Eliminación del disco óptico, h) Binarización e i) Segmentación
de los Vasos Sanguíneos con presencia de ruido.
Para delimitar el área en la cual se encuentran nuestras características de interés (Vasos
Sanguíneos, Microaneurísmas y Exudados Duros) fue necesario crear el borde circular de la
retinografía, en ocasiones la creación de este borde se ve afectada por el ruido introducido de los
falsos bordes, originados por la intensidad del contraste de la imagen, por lo tanto fue necesario
desarrollar dos métodos para la creación del borde circular (ver Figura 4.4) y así evitar el ruido
de falsos bordes. Ambos métodos fueron implementados en los algoritmos de segmentación de
los Vasos Sanguíneos, Microaneurísmas y Exudados Duros descritos en esta tesis.
76
Capítulo 4
Algoritmo Propuesto
Figura 4. 4 Diagrama a bloques de los métodos desarrollados para la creación del borde circular de la retinografía.
En la Figura 4.5 se muestran los resultados obtenidos para los procesos de conversión del
espacio de color, mejora del contraste, detección de bordes y morfología matemática que
conforman la creación del borde circular de la retinografía a través del método 1. Cabe mencionar
que en la etapa de morfología matemática se realizó una apertura morfológica a la imagen
resultante de la detección de bordes (Figura 4.5 c), seguido de esto se erosionó la imagen y por
último se restó la imagen dilatada menos la imagen erosionada, obteniendo como resultado el
borde circular de la retinografía sin presencia de ruido de falsos bordes (Figura 4.5 d).
Figura 4. 5 Creación del borde circular de la retinografía usando el método 1. a) Imagen en escala de grises,
b) Ajuste de los valores de intensidad, c) Detección de bordes y d) Borde circular de la retinografía.
77
Capítulo 4
Algoritmo Propuesto
Por otro lado, si al realizar los pasos que conforman el método 1 para la creación del borde
circular se presenta ruido de falsos bordes, es necesario realizar el método 2, para lo cual se
tienen que borrar los valores obtenidos en el método 1, posteriormente se realizan los pasos
mostrados anteriormente en la Figura 4.4, los cuales corresponden al método 2. La Figura 4.6
muestra los resultados obtenidos para cada uno de los procesos que conforman la creación del
borde circular de la retinografía (método 2).
Figura 4. 6 Creación del borde circular de la retinografía usando el método número 2. a) Negativo de la imagen, b)
Binarización y c) Borde circular de la retinografía.
En la Figura 4.7 se muestran los pasos realizados en la etapa de segmentación de los Vasos
Sanguíneos y del disco óptico.
Figura 4. 7 Diagrama de bloques para la segmentación de los Vasos Sanguíneos y el disco óptico.
Una vez que se obtiene el borde circular de la retinografía se procede a localizar el disco óptico
el cual se presenta como un círculo de color negro, lo anterior se logra encontrando el valor
máximo de brillo para cada una de las 720 columnas de la imagen (ver Figura 4.8).
Figura 4. 8 Imagen resultante de la apertura morfológica de la etapa de segmentación de los Vasos Sanguíneos con
presencia de ruido.
78
Capítulo 4
Algoritmo Propuesto
En ocasiones, después de la etapa de segmentación algunos detalles correspondientes a los
Vasos Sanguíneos se pierden en la región del disco óptico, por tal motivo, es necesario crear la
máscara del disco óptico, la cual se origina mediante la siguiente expresión [11]:
(
donde
y
)
(
)
son las coordenadas de las filas y columnas respectivamente, y
(
)
es el radio del
círculo o máscara del disco óptico (ver Figura 4.9 a), posteriormente se mejora el contraste de la
imagen en escala de grises (ver Figura 4.9 b) y después se binariza esta imagen a través del
algoritmo de Otsu mostrado en el capítulo 3 (ver Figura 4.9 c), a esta imagen binarizada se le
realiza una apertura morfológica (ver Figura 4.9 d) y después se sobrepone la máscara del disco
óptico sobre la imagen binarizada (ver Figura 4.9 e). Por último se implementa la operación
lógica AND usando las imágenes correspondientes a los Vasos Sanguíneos con presencia de
ruido y a los Vasos Sanguíneos conectados a la máscara del disco óptico. La operación lógica
AND consiste en marcar los pixeles similares de las dos imágenes, el pixel de salida se registra
como 1 (blanco) cuando los pixeles de ambas imágenes en la misma ubicación son 1, en caso
de existir un elemento nulo (negro) el pixel de salida se registrará como 0 (negro). El resultado
final de la segmentación de los Vasos Sanguíneos se muestra en la Figura 4.9 f).
Figura 4. 9 Pasos para la segmentación de los Vasos Sanguíneos. a) Mascara del disco óptico, b) Ajuste de intensidad,
c) Binarización, d) Apertura Morfológica, e) Vasos Sanguíneos conectados al disco óptico y f) Segmentación final de
los Vasos Sanguíneos.
79
Capítulo 4
Algoritmo Propuesto
4.2.1 Resultados de la Segmentación de los Vasos Sanguíneos
En la Figura 4.10 se muestra el resultado final de la segmentación de los Vasos Sanguíneos en
4 imágenes del fondo de ojo, las cuales corresponden a la No Retinopatía Diabética (No RD) y a
los estadios de la Retinopatía Diabética No Proliferativa (RDNP).
Figura 4. 10 Segmentación de los Vasos Sanguíneos.
En la Figura 4.10 se sobrepuso la imagen segmentada en la imagen a color RGB original para
mejorar el aspecto visual de la segmentación de los Vasos Sanguíneos.
En la Tabla 4.1 se muestran las áreas obtenidas de la segmentación de los Vasos Sanguíneos en
las 216 retinografías (54 de la No Retinopatía Diabética y 54 por cada estadio de la Retinopatía
Diabética No Proliferativa).
80
Capítulo 4
Algoritmo Propuesto
Tabla 4. 1 Área total de los Vasos Sanguíneos segmentados.
No. de
Nivel 0 ó
Nivel 1 ó
Nivel 2 ó
Nivel 3 ó
Muestras
No RD
RDNP Leve
(pixeles)
(pixeles)
(pixeles)
(pixeles)
1
11074
11319
11236
17429
2
12937
11284
14785
20142
3
14973
11585
11195
15849
4
13014
14007
13003
16386
5
15387
12521
15741
10000
6
14277
14983
11704
15629
7
11074
10151
17446
13738
8
14397
18589
13612
13715
9
11740
17708
15724
10332
10
7034
12575
8373
13531
11
8685
7846
14852
11913
12
11238
11381
12980
13619
13
15636
16280
14467
14780
14
13346
16106
14824
15118
15
12948
12373
14472
11997
16
13164
14461
17635
14579
17
21313
11171
15232
17510
18
21298
14404
13575
13934
19
12313
11635
17813
12372
20
12872
11853
13436
16613
21
17757
15283
16644
11114
22
15488
12125
17013
13447
23
18197
13104
14653
14222
54
15488
12366
16460
10603
RDNP Moderada RDNP Severa
La Tabla 4.1 indica el área en pixeles de los objetos segmentados mediante este algoritmo.
Conforme progrese esta enfermedad el área de estos objetos segmentados debe aumentar.
81
Capítulo 4
4.3
Algoritmo Propuesto
Segmentación de patologías
En el capítulo 2 se mencionó que dos de las principales patologías clínicamente detectables por
el especialista médico en la exploración del fondo de ojo en pacientes con Diabetes Mellitus son
los Microaneurísmas y los Exudados Duros, a continuación se describen los algoritmos
propuestos para la segmentación de estas patologías.
4.3.1 Segmentación de Microaneurísmas
Los Microaneurísmas (ver Figura 4.11) son las primeras lesiones clínicamente detectables de la
Retinopatía Diabética [6-8] y son dilataciones focales de las paredes de los capilares de la
retina, los cuales aparecen como pequeños puntos redondos de color rojo [7] con un diámetro
entre 10 y 100 micras.
Figura 4. 11 Microaneurísmas.
En el diagrama a bloques de la Figura 4.12 se muestra el algoritmo desarrollado para la
segmentación de los Microaneurísmas.
Figura 4. 12 Diagrama a bloques del algoritmo propuesto para la segmentación de los Microaneurísmas.
82
Capítulo 4
Algoritmo Propuesto
El primer bloque consiste en seleccionar la retinografía a color RGB que se quiere analizar,
seguido de esto se redimensiona la imagen, se crea el borde circular de la retinografía,
posteriormente se localiza y crea la máscara del disco óptico, tal y como se realizó en el
algoritmo de segmentación de los Vasos Sanguíneos descrito anteriormente.
En la Figura 4.13 se muestra el diagrama a bloques del algoritmo desarrollado para la
segmentación de los Microaneurísmas en una retinografía a color RGB.
Figura 4. 13 Diagrama a bloques de la segmentación de los Microaneurísmas con presencia de ruido.
Para eliminar el borde circular de la retinografía se resta la imagen obtenida en la detección de
bordes (algoritmo de Canny) menos la imagen con el borde circular de la retinografía. Se realiza
una dilatación morfológica sobre la imagen obtenida anteriormente y se resta esta imagen menos
la imagen obtenida en la detección de bordes, posteriormente se realiza una apertura morfológica
en esta imagen y se resta a la imagen dilatada. El resultado de esta operación es la
segmentación de los Microaneurísmas (ver Figura 4.14).
Figura 4. 14 Segmentación de los Microaneurísmas con presencia de ruido.
83
Capítulo 4
Algoritmo Propuesto
En la Figura 4.15 se muestran los resultados obtenidos en cada uno de los procesos de la
segmentación de Microaneurísmas con presencia de ruido.
Figura 4. 15 Pasos para la segmentación de los Microaneurísmas con presencia de ruido. a) Componente Verde, b)
Imagen en escala de grises, c) 1ra Ecualización del histograma, d) 2da Ecualización del histograma,
e) Detección de bordes, f) Eliminación del borde circular de la retinografía, g) Llenado de huecos,
h) Eliminación de componentes conectados e i) Segmentación de los Microaneurísmas con presencia de ruido.
En la Figura 4.16 se muestra el diagrama a bloques de los pasos a seguir para la eliminación de
los Exudados Duros y los Vasos Sanguíneos presentes en la retinografía.
Figura 4. 16 Pasos para la eliminación de los Exudados Duros y los Vasos Sanguíneos.
84
Capítulo 4
Algoritmo Propuesto
Para eliminar los Exudados Duros presentes en la imagen es necesario implementar la operación
lógica AND, usando la imagen de los Microaneurísmas segmentados con presencia de ruido y la
imagen en escala de grises con mejora de contraste, esta última se tiene que binarizar antes de
usarse en la operación lógica AND.
Por otro lado, para eliminar los Vasos Sanguíneos presentes en la retinografía es necesario
implementar la operación lógica AND, usando la imagen binarizada y la imagen resultante de la
eliminación de los Exudados Duros, posteriormente se realiza una apertura morfológica y se resta
esta imagen a la imagen del borde circular de la retinografía y a la imagen en escala de grises de
la componente verde, obteniendo con esto la segmentación final de los Microaneurísmas.
La Figura 4.17 muestra los resultados obtenidos para cada uno de los procesos de la
segmentación final de los Microaneurísmas.
Figura 4. 17 Pasos para la segmentación de los Microaneurísmas. a) Imagen binarizada,
b) Eliminación de los Exudados Duros, c) Binarización e inversión de los valores de la imagen,
d) Eliminación de los Vasos Sanguíneos, e) Apertura morfológica y f) Segmentación final de los Microaneurísmas
85
Capítulo 4
Algoritmo Propuesto
4.3.1.1 Resultados de la Segmentación de los Microaneurísmas
En la Figura 4.18 se muestra el resultado final de la segmentación de los Microaneurísmas en 4
imágenes del fondo de ojo.
Figura 4. 18 Segmentación de los Microaneurísmas.
En la Figura 4.18 se sobrepuso la imagen segmentada en la imagen a color RGB original para
mejorar el aspecto visual de la segmentación de los Microaneurísmas.
En la Tabla 4.2 se muestran las áreas obtenidas de la segmentación de los Microaneurísmas en
las 216 retinografías (54 de la No Retinopatía Diabética y 54 por cada estadio de la Retinopatía
Diabética No Proliferativa).
86
Capítulo 4
Algoritmo Propuesto
Tabla 4. 2 Área total de los Microaneurísmas segmentados.
No. de
Nivel 0 ó
Nivel 1 ó
Nivel 2 ó
Nivel 3 ó
Muestras
No RD
RDNP Leve
(pixeles)
(pixeles)
(pixeles)
(pixeles)
1
0
5
26
46
2
0
11
38
57
3
0
5
14
34
4
0
9
43
43
5
0
6
15
54
6
0
0
24
24
7
0
12
41
113
8
0
5
14
79
9
0
6
20
79
10
0
12
16
57
11
0
8
38
70
12
0
5
17
45
13
0
6
14
57
14
0
8
13
42
15
0
7
13
36
16
0
6
19
30
17
6
11
18
37
18
0
10
14
32
19
0
5
25
40
20
0
9
36
24
21
0
9
21
45
22
0
12
23
32
23
0
7
18
56
54
0
11
17
44
RDNP Moderada RDNP Severa
La Tabla 4.2 indica el área en pixeles de los objetos segmentados mediante este algoritmo.
Conforme progrese esta enfermedad el área de estos objetos segmentados aumentará.
87
Capítulo 4
Algoritmo Propuesto
4.3.2 Segmentación de Exudados Duros
Los Exudados Duros son depósitos de lípidos y son el resultado de las fugas de fluidos
sanguíneos de los Microaneurísmas y de los capilares que circundan la zona macular [9, 10]. Si
el lípido se extiende a la zona macular, la visión puede verse seriamente comprometida [10]. Los
Exudados Duros tienen un aspecto amarillento, no tienen forma o tamaño definido y se localizan
en cualquier parte de la retina [2, 6, 10]. El diagrama a bloques de la Figura 4.19 muestra de
manera general el algoritmo propuesto para la segmentación de los Exudados Duros.
Figura 4. 19 Diagrama a bloques del algoritmo propuesto para la segmentación de los Exudados Duros.
El primer bloque de este algoritmo consiste en seleccionar la retinografía a color RGB que se
quiere analizar, seguido de esto se redimensiona la imagen, se crea el borde circular de la
retinografía, se localiza y crea la máscara del disco óptico, tal y como se realizó en los algoritmos
de segmentación de los Vasos Sanguíneos y de los Microaneurísmas descritos anteriormente, por
lo que únicamente se describirán aquellos procesos que no han sido mencionados.
Para eliminar el disco óptico de la retinografía se deben de seguir los pasos mostrados en la
Figura 4.20.
Figura 4. 20 Pasos para la eliminación de los Vasos Sanguíneos.
88
Capítulo 4
Algoritmo Propuesto
En la Figura 4.21 se muestran los resultados obtenidos en cada uno de los procesos de la
eliminación de los Vasos Sanguíneos.
Figura 4. 21 Pasos para la eliminación de los Vasos Sanguíneos: a) Imagen RGB redimensionada,
b) Imagen en escala de grises, c) Imagen con mejora de contraste y d) Imagen sin Vasos Sanguíneos.
Como se mencionó en el capítulo 3 la clausura morfológica consiste en una dilatación seguida de
una erosión. La función de dilatación expande el área de los Exudados Duros, mientras que la
función de erosión remueve los Vasos Sanguíneos, tal y como se mostró en la Figura 4.21 d).
La siguiente etapa de este algoritmo consiste en detectar la ubicación de los Exudados Duros y
eliminar todos los objetos que no sean Exudados Duros. En la Figura 4.22 se muestra el
diagrama a bloques para la detección de la ubicación de los Exudados Duros.
Figura 4. 22 Pasos para la detección de los Exudados Duros.
89
Capítulo 4
Algoritmo Propuesto
Para eliminar el disco óptico se binariza la imagen sin Vasos Sanguíneos y a esta imagen se le
resta la máscara del disco óptico.
Para la eliminación del borde circular se resta la imagen sin disco óptico menos la imagen del
borde circular de la retinografía, a este resultado se le realiza una clausura morfológica,
posteriormente se binariza e invierten los valores.
Por último se implementa la operación lógica AND usando la imagen resultante de la clausura
morfológica y la imagen binarizada. La Figura 4.23 muestra los resultados obtenidos en cada uno
de los procesos de la segmentación de los Exudados Duros.
Figura 4. 23 Pasos para la detección de los Exudados Duros: a) Imagen binarizada,
b) Imagen sin disco óptico, c) Imagen sin borde circular, d) Clausura morfológica,
e) Imagen binarizada y f) Segmentación final de los Exudados Duros.
90
Capítulo 4
Algoritmo Propuesto
4.3.2.1 Resultados de la Segmentación de los Exudados Duros
En la Figura 4.24 se muestra el resultado final de la segmentación de los Exudados Duros en 4
imágenes del fondo de ojo.
Figura 4. 24 Segmentación de los Exudados Duros.
En la Figura 4.24 se sobrepuso la imagen segmentada en la imagen a color RGB original para
mejorar el aspecto visual de la segmentación de los Exudados Duros.
En la Tabla 4.3 se muestran las áreas obtenidas de la segmentación de los Exudados Duros en
las 216 retinografías (54 de la No Retinopatía Diabética y 54 por cada estadio de la Retinopatía
Diabética No Proliferativa).
91
Capítulo 4
Algoritmo Propuesto
Tabla 4. 3 Área total de los Exudados Duros segmentados.
No. de
Nivel 0 ó
Nivel 1 ó
Muestras
No RD
RDNP Leve
(pixeles)
(pixeles)
(pixeles)
(pixeles)
1
0
0
5
0
2
0
25
132
193
3
0
0
0
66
4
0
0
1486
3
5
0
0
1
0
6
0
57
0
0
7
0
0
8
0
8
0
37
0
0
9
0
0
0
0
10
0
0
0
139
11
0
62
0
0
12
0
0
0
2315
13
0
0
31
717
14
0
0
0
0
15
0
0
216
0
16
0
8
2
169
17
0
0
0
459
19
0
0
369
0
0
7
0
255
20
0
0
0
528
21
0
0
315
107
22
0
0
314
1330
23
0
0
0
1279
54
0
0
0
120
18
Nivel 2 ó
Nivel 3 ó
RDNP Moderada RDNP Severa
La Tabla 4.3 indica el área en pixeles de los objetos segmentados mediante este algoritmo.
92
Capítulo 4
4.4
Algoritmo Propuesto
Análisis de texturas
Una textura se define como una imagen compuesta por un gran número de elementos similares
situados en lugares diferentes de la imagen [11]. Los sistemas convencionales de análisis de
texturas pueden ser agrupados en tres categorías: estructurales, estadísticos y espectrales. El
análisis de textura estructural es más complejo en comparación con el análisis estadístico [3]. El
análisis de textura estadístico produce parámetros que describen la distribución de los niveles de
gris en términos de propiedades estocásticas [11], estas mediciones incluyen energía, Entropía,
correlación, inercia y Homogeneidad [3]. La Figura 4.25 muestra el diagrama a bloques del
análisis de texturas empleado en este trabajo.
Figura 4. 25 Diagrama a bloques del análisis de texturas.
4.4.1 Homogeneidad y Entropía
La Homogeneidad es la medida de la cercanía de la distribución de elementos de la matriz de coocurrencia entre los niveles de gris (MCNG) a la matriz de co-ocurrencia entre los niveles de gris
(MCNG) diagonal. En la Figura 4.26 se muestra el diagrama a bloques del cálculo de la
Homogeneidad.
Figura 4. 26 Calculo de la Homogeneidad.
El primer bloque de este algoritmo consiste en seleccionar la retinografía a color RGB que se
quiere analizar, seguido de esto se realiza una conversión del espacio de color (de RGB a Escala
de grises).
93
Capítulo 4
Algoritmo Propuesto
Posteriormente se crea la matriz de co-ocurrencia entre los niveles de gris de la imagen
(MCNG),
(
)
|
|
|
|
(
)
Dónde:
(
El término
grises (
)
se define, como la frecuencia de repetición de los pixeles pares en escala de
) cuando se separan por una distancia
a lo largo del ángulo
. Finalmente cada
elemento es normalizado y los valores que puede tomar la Homogeneidad están entre 0 y 1,
Por otro lado, la Entropía en procesamiento digital de imágenes se refiere a la cantidad de
información que se puede obtener a partir de una imagen y el algoritmo empleado para calcular
este valor se muestra en la Figura 4.27.
Figura 4. 27 Calculo de la Entropía.
El primer bloque de este algoritmo consiste en seleccionar la retinografía a color RGB que se
quiere analizar, seguido de esto se realiza una conversión del espacio de color (de RGB a Escala
de grises) y se mejora el contraste de la imagen en escala de grises. Posteriormente se calcula
el valor de la Entropía el cual está dado en forma escalar.
4.4.1.1 Resultados del análisis de texturas
Las Tablas 4.4 y 4.5 muestran los valores obtenidos en el cálculo de la Homogeneidad y la
Entropía en las 216 retinografías, respectivamente.
94
Capítulo 4
Algoritmo Propuesto
Tabla 4. 4 Valores de la Homogeneidad.
No. de
Nivel 0 ó
Nivel 1 ó
Nivel 2 ó
Nivel 3 ó
Muestras
No RD
RDNP Leve
RDNP Moderada
RDNP Severa
1
0.9853
0.9799
0.9893
0.9731
2
0.9932
0.9759
0.9929
0.9792
3
0.9894
0.9890
0.9863
0.9823
4
0.9871
0.9940
0.9879
0.9807
5
0.9885
0.9911
0.9885
0.9798
6
0.9818
0.9922
0.9872
0.9810
7
0.9853
0.9774
0.9796
0.9895
8
0.9875
0.9813
0.9783
0.9886
9
0.9828
0.9808
0.9848
0.9881
10
0.9894
0.9922
0.9930
0.9833
11
0.9923
0.9931
0.9824
0.9869
12
0.9890
0.9879
0.9898
0.9872
13
0.9859
0.9810
0.9803
0.9842
14
0.9881
0.9796
0.9817
0.9841
15
0.9897
0.9943
0.9823
0.9815
16
0.9884
0.9781
0.9772
0.9782
17
0.9862
0.9914
0.9765
0.9754
18
0.9778
0.9854
0.9843
0.9880
19
0.9893
0.9902
0.9829
0.9810
20
0.9888
0.9837
0.9775
0.9803
21
0.9847
0.9878
0.9750
0.9879
22
0.9842
0.9873
0.9777
0.9871
23
0.9860
0.9891
0.9787
0.9845
54
0.9842
0.9861
0.9811
0.9895
Los valores mostrados en la Tabla 4.4 se utilizan para caracterizar la textura de la imagen de
entrada a partir de su contenido de información en un intervalo de 0 a 1, determinando con ello la
anormalidad o normalidad de un determinado nivel de distribución de grises, respectivamente.
95
Capítulo 4
Algoritmo Propuesto
Tabla 4. 5 Valores de la Entropía.
No. de
Nivel 0 ó
Nivel 1 ó
Nivel 2 ó
Nivel 3 ó
Muestras
No RD
RDNP Leve
1
0.8180
0.7480
0.8088
0.7979
2
0.7420
0.7830
0.7696
0.7222
3
0.8117
0.7465
0.8123
0.7824
4
0.8219
0.7997
0.8233
0.7673
5
0.8152
0.8079
0.8081
0.8272
6
0.9821
0.8001
0.7155
0.8145
7
0.8180
0.7318
0.7459
0.7796
8
0.8555
0.8055
0.7292
0.7683
9
0.8169
0.8023
0.7501
0.7332
10
0.7997
0.8398
0.7818
0.8246
11
0.7949
0.7796
0.8371
0.8186
12
0.8031
0.7151
0.8108
0.8241
13
0.7686
0.8268
0.7438
0.8849
14
0.8005
0.8239
0.8268
0.7230
15
0.8144
0.7933
0.8176
0.8100
16
0.8188
0.7457
0.7487
0.7334
17
0.9868
0.7914
0.8610
0.8760
18
1
0.8602
0.7286
0.7220
19
0.7911
0.7151
0.7614
0.8259
20
0.7819
0.7931
0.8199
0.7470
21
0.8225
0.8163
0.8118
0.7158
22
0.8159
0.8144
0.8234
0.8175
23
0.9778
0.8057
0.7294
0.8064
54
0.8159
0.7161
0.8233
0.7563
RDNP Moderada RDNP Severa
Los valores mostrados en la Tabla 4.5 se utilizan para caracterizar la textura de la imagen de
entrada a partir de la cantidad de información presente en esta imagen, en un intervalo entre 0 y
1, donde 0 corresponde a menor cantidad de información y 1 corresponde a mayor cantidad de
información.
96
Capítulo 4
4.5
Algoritmo Propuesto
Análisis de Varianza (ANOVA)
El análisis de varianza (ANOVA) [12-14] es la técnica comúnmente usada para comparar y
decidir si las medias de los grupos de datos medidos son diferentes [3, 13, 14]. Esta prueba
utiliza la varianza en los grupos y se traduce en una variación entre ellos, teniendo en cuenta
cuantas muestras hay en el grupo. Si las diferencias observadas son altas, entonces se considera
que es estadísticamente significativo [15].
El resultado del análisis de varianza de las áreas segmentadas (Vasos Sanguíneos,
Microaneurísmas y Exudados Duros) y del análisis de texturas (Homogeneidad y Entropía) para
las 216 imágenes empleadas en este trabajo se muestra en la Tabla 4.6, en la cual se puede
observar que nuestras características son clínicamente significativas, ya que en este trabajo se
obtuvo un valor de
menor a 0.01. Donde
es el valor de significancia o nivel de riesgo
aceptado en caso de concluir que existen diferencias entre las medias cuando no existe ninguna
diferencia.
Tabla 4. 6 Media y Desviación Estándar de las características propuestas como entradas de la Red Neuronal Artificial.
Escala de severidad de la Retinopatía Diabética propuesta por la ALFEDIAM
Característica
No RD
RDNP Leve
RDNP Moderada
RDNP Severa
Valor - p
13726±3309.9012
12240±2496.3004
14415±3176.6004
13635±2496
0.0030
0.2405±1.1908
7.6802±3.0605
22.6403±8.3307
46.0802±20.9100
0.0001
Área (Pixeles)
0.1803±1.2707
12.7404±53.2505
64.8005±224.1606
313.3023±751.2100
0.0030
Homogeneidad
0.986±0.0035
0.9863±0.0042
0.9835±0.0040
0.9843±0.0044
0.0001
Entropía
0.6182±0.4802
0.5853±0.2984
0.5844±0.3165
0.5849±0.3253
0.0001
de entrada
VS
Área (Pixeles)
µAn
Área (Pixeles)
ED
Donde, VS = Vasos Sanguíneos, µAn = Microaneurísmas y ED = Exudados Duros.
En las Figuras 4.28 y 4.29 se muestra la representación gráfica de la media y la desviación
estándar de las características usadas como entradas de la Red Neuronal de Retropropagación.
97
Capítulo 4
Algoritmo Propuesto
Figura 4. 28 Diagrama de cajas del área total de la segmentación de: a) Vasos Sanguíneos,
b) Microaneurísmas y c) Exudados Duros.
98
Capítulo 4
Algoritmo Propuesto
Figura 4. 29 Diagrama de cajas para los valores de: a) Homogeneidad y b) Entropía.
A través de los diagramas de caja mostrados anteriormente, se puede observar que los valores
medios son distintos en cada grupo, por lo tanto estos parámetros se pueden emplear como las
neuronas de la capa de entrada de la Red Neuronal Artificial. Además, en la Figura 4.28 a) se
puede observar que el área de los Vasos Sanguíneos segmentados no aumenta conforme a la
progresión de la Retinopatía Diabética, sin embargo, en las Figuras 4.28 b) y 4.28 c) se puede
observar que el área de los Microaneurísmas y de los Exudados Duros segmentados si aumentan
conforme a la progresión de la Retinopatía Diabética, por lo tanto, estas características serán las
más determinantes en la toma de decisiones.
4.6
Toma de decisiones
El diagnóstico de la No Retinopatía Diabética y de los estadios de la Retinopatía Diabética No
Proliferativa se lleva a cabo a través del análisis de una retinografía a color RGB mediante la Red
Neuronal de Retropropagación, la cual se muestra en la Figura 4.30.
99
Capítulo 4
Algoritmo Propuesto
Figura 4. 30 Arquitectura de la Red Neuronal de Retropropagación.
Aquí, la capa de entrada está compuesta por cinco neuronas, las cuales corresponden al número
de características empleadas para la detección y clasificación de la No Retinopatía Diabética y de
los estadios de la Retinopatía Diabética No Proliferativa. La capa oculta está formada por dos
capas con diez neuronas cada una, el número de neuronas se determinó a partir del teorema de
Kolmogorov: “El número de neuronas en la capa oculta no requiere ser más grande que dos
veces el número de entradas” [16]. Y la capa de salida está conformada por cuatro neuronas,
una de las cuales corresponde a la No Retinopatía Diabética y las tres restantes corresponden a
los estadios de la Retinopatía Diabética No Proliferativa. En la Tabla 4.7 se muestra la
representación binaria usada en este algoritmo para cada una de estas neuronas.
Tabla 4. 7 Representación Binaria de las neuronas de la capa de salida.
Neuronas de la
Representación
capa de salida
Binaria
No Retinopatía Diabética
00
RDNP Leve
01
RDNP Moderada
10
RDNP Severa
11
100
Capítulo 4
Algoritmo Propuesto
4.6.1 Resultados Experimentales
Esta red fue entrenada mediante el método de aprendizaje supervisado, usando un total de 140
retinografías a color RGB. El método de aprendizaje supervisado consiste en introducir los
ejemplos y un conjunto de datos con información relativa a la solución del problema. En el
capítulo anterior se mencionó, que los pesos de la red neuronal se deben iniciar con valores
pequeños, por lo tanto, los valores de las Tablas 4.1 a 4.5 han sido normalizados con respecto al
valor máximo obtenido, dando como resultado un intervalo de 0 a 1. La Tabla 4.8 muestra los
valores normalizados que conforman el vector de entrenamiento de la Red Neuronal de
Retropropagación.
Tabla 4. 8 Vector de entrenamiento.
No. de
Vasos
Muestras
Sanguíneos
Microaneurísmas
Exudados
Homogeneidad
Entropía
Duros
Escala de
Severidad
de la RD
1
0.4725
0
0
0.9910
0.8180
00
2
0.4829
0.0442
0
0.9855
0.7937
01
3
0.4794
0.2300
0.0011
0.9949
0.8088
10
4
0.7437
0.4070
0
0.9787
0.7979
11
5
0.5520
0
0
0.9989
0.7420
00
6
0.4815
0.0973
0.0056
0.9815
0.7841
01
7
0.6308
0.3362
0.0296
0.9986
0.7696
10
8
0.8594
0.5044
0.0433
0.9848
0.7222
11
9
0.6389
0
0
0.9950
0.8117
00
10
0.4943
0.0442
0
0.9947
0.8048
01
11
0.4777
0.1238
0
0.9919
0.8123
10
12
0.6762
0.3008
0.0148
0.9879
0.7824
11
13
0.5553
0
0
0.9928
0.8219
00
14
0.5976
0.0796
0
0.9996
0.8008
01
15
0.5548
0.3805
0.3340
0.9935
0.8233
10
16
0.6992
0.3805
0.0006
0.9863
0.7673
11
140
0.4097
0.5398
0
0.9905
0.8082
11
101
Capítulo 4
Algoritmo Propuesto
En la Figura 4.31 se muestra el resultado del entrenamiento de la Red Neuronal de
Retropropagación, la cual convergió a un valor de 0.000998 en 290 iteraciones. El valor de
convergencia indica que el error máximo aceptado para cada muestra o ejemplo, debe ser menor
al 0.1%.
Figura 4. 31 Convergencia de la red neuronal de retropropagación.
4.7
Conclusiones
En este capítulo se explicaron los algoritmos desarrollados para detectar, segmentar y calcular de
manera automática el área de los Vasos Sanguíneos, los Microaneurísmas y los Exudados Duros,
así como los algoritmos usados para calcular los valores de Homogeneidad y Entropía de la
imagen del fondo de ojo a analizar. También se mostró mediante el análisis de varianza que las
medias de nuestras cinco características propuestas para la clasificación de la No Retinopatía
Diabética y de los estadios de la Retinopatía Diabética No Proliferativa son clínicamente
significativas, esto significa que estas características pueden ser empleadas como parámetros de
entrada de la Red Neuronal de Retropropagación.
Por otro lado, la Red Neuronal de Retropropagación fue entrenada mediante el método de
aprendizaje supervisado, obteniendo un error máximo permitido de 0.1% para cada muestra o
ejemplo que no haya sido usado en la etapa de entrenamiento, es decir, para las imágenes a
analizar (etapa de validación del sistema).
102
Capítulo 4
Algoritmo Propuesto
4.8
Referencias
[1]
F. Zana and J. Klein, A multimodal registration algorithm of eye fundus images using vessels
detection and Hough transform, IEEE Trans. Med. Imag., 1999, Vol. 18, pp. 419-428.
[Consulted on July 2011], Available at:
http://www.google.com/url?sa=t&source=web&cd=1&sqi=2&ved=0CB0QFjAA&url=http%3
A%2F%2Fciteseerx.ist.psu.edu%2Fviewdoc%2Fdownload%3Fdoi%3D10.1.1.122.4469%26re
p%3Drep1%26type%3Dpdf&ei=0bztTZacOYrUtQOR3dm_Aw&usg=AFQjCNGzJ28TWatT9K
PhpxJE_D5eCX9-eg
[2]
C. Sinthanayothin, J.F. Boyee, T.H. Williamson, H.L. Cook, E. Mensah, S. Lal and D. Usher,
Automatic detection of diabetic retinopathy on digital fundus images , Diabetic Med., Vol. 19,
pp. 105-112, 2002. [Consulted on July 2011], Available at:
[3]
http://csusap.csu.edu.au/~hjelinek/neuro/OpticDisk/OD_references/(5510e)sinthanayothin2002%20hard%20exudates%20automated%20dr%20haemorrhage.pdf
J. Nayak, P.S. Bhat, R. Acharya, C.M. Lim and M. Kagathi, Automated Identification of
Diabetic Retinopathy Stages Using Digital Fundus Images, J Med Syst, 2008, Vol. 32, pp.
107-115. [Consulted on July 2011], Available at:
http://www.springerlink.com/content/7638t987585q4w32/fulltext.pdf
[4]
J. Staal, M.D. Abramoff, M. Niemeijer, M.A. Viergever and B. Van Ginneken, Ridge-based
vessel segmentation in color images for the retina, IEEE Trans. Med. Imag., Vol. 23, pp. 501509, 2004. [Consulted on July 2011], Available at:
http://www.siue.edu/~sumbaug/RetinalProjectPapers/RideBased%20Vessel%20Segmentation%20in%20Color%20Images%20of%20the%20Retina.pdf
[5]
A. Hovover and M. Goldbaum, Locating the optic nerve in a retinal image using the fuzzy
convergence of the blood vessels, IEEE Trans. Med. Imag., Vol. 22, pp. 951-958, 2003.
[Consulted on July 2011], Available at:
[6]
http://www.uhu.es/retinopathy/General/030801IEEETransMedImag.pdf
A.K. Khurana, Comprehensive Ophthalmology, 4th ed., New Delhi, India: New Age
International (P) Ltd., 2007, ISBN-10: 8122420419, ISBN-13: 9788122420418, pp. 17,
249-252, 259-261, 477-478, 564-569.
[7]
A.D. Fleming, S. Philip, K.A. Goatman, J.A. Olson and P.F. Sharp, Automated microaneurysm
detection using local contrast normalization and local vessel detection , IEEE Transactions in
Medical Imaging, 2006, Vol. 25 (Suppl. 9), pp. 1223–1232.
[Consulted on July 2011], Available at:
http://es.scribd.com/doc/40369076/Automated-Micro-Aneurysm-Detection-Using-LocalContrast-Normalization-and-Local-Vessel-Detection
103
Capítulo 4
[8]
Algoritmo Propuesto
Méthodes d'Evaluation de Systèmes de Segmentation et d'Indexation Dédiées à
l'Ophtalmologie Rétinienne. [Consulté Juillet 2011], Disponible à:
http://messidor.crihan.fr/download.php
[9]
M.W. Leitman, Manual for Eye Examination and Diagnosis, 7th Ed., Oxford, England: WileyBlackwell, 2007, ISBN-13: 9781405168229, pp. 100-104, 106-107, 113-119.
[10]
T. Walter, J.C. Klein, P. Massin and A. Erginay, A contribution of image processing to the
diagnosis of diabetic retinopathy - detection of exudates in color fundus images of the human
retina, IEEE Transactions on Medical Imaging, 2002, Vol. 21, pp. 1236–1243.
[Consulted on August 2011], Available at:
http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=1174101
[11]
L. Boroczky, P. Cremonesi and N. Scarabottolo, Texture Analysis for Image Processing on
General-Purpose Parallel Machines, International Symposium on Parallel Architectures,
Algorithms and Networks, ISPAN, 1994. [Consulted on August 2011], Available at:
http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=367169
[12]
J.N. Miller and J.C. Miller, Estadística y Quimiometría para Química Analítica , 4ta Ed., Madrid,
España: Pearson Prentice Hall, 2002, pp. 43-65.
[13]
ANOVA, Department of Psychology, Georgetown University.
[Consulted on August 2011], Available at:
http://psychology.georgetown.edu/resources/researchmethods/statistics/8362.html
[14]
J. McDonald, Handbook of Biological Statistics, 2nd Ed., Baltimore, USA: Sparky House
Publishing, 2009, pp. 123-126. [Consulted on August 2011], Available at:
http://www.lulu.com/items/volume_66/3862000/3862228/4/print/statpdf2.pdf
[15]
U.R. Acharya, K.C. Chua, E.Y.K. Ng, W. Wei and C. Chee, Application of higher order spectra
for the identification of diabetic retinopathy stages, J. Med. Syst. Vol. 32, Suppl.(6), pp. 481–
488, 2008. [Consulted on August 2011], Available at:
http://www.springerlink.com/content/m7637r85130m5443/fulltext.pdf
[16]
Approximation Capabilities of Feedforward Neural Networks for Continuous Functions.
[Consulted on August 2011], Available at:
http://neuron.eng.wayne.edu/tarek/MITbook/chap2/2_3.html
104
Capítulo
5
Resultados, Conclusiones y Trabajo a Futuro
“No creo que haya alguna emoción más intensa para un inventor que ver alguna de sus creaciones
funcionando. Esa emoción hace que uno se olvide de comer, de dormir, de todo”.
Nikola Tesla (1856 - 1943.)
5.1
Introducción
En este capítulo se presentan los resultados de la evaluación del Sistema Diagnóstico Asistido
por Computadora, la interfaz gráfica desarrollada, las conclusiones y las recomendaciones para
trabajo a futuro derivadas de esta tesis.
5.2.
Evaluación del Sistema Diagnóstico Asistido por Computadora
Los índices de calidad empleados en la evaluación de los sistemas de diagnóstico médico son la
sensibilidad y la especificidad [1,2], por lo tanto, estos índices fueron utilizados en la evaluación
del diagnóstico médico proporcionado por la Red Neuronal de Retropropagación.
La sensibilidad se define como la probabilidad de clasificar correctamente a un individuo enfermo
[3,4], en otras palabras, es la capacidad del estudio para diagnosticar la enfermedad.
Matemáticamente se expresa como:
105
(
)
(
)
Capítulo 5
Resultados, Conclusiones y Trabajo a Futuro
Por otro lado, la especificidad se define como la probabilidad de clasificar correctamente a un
individuo sano [3,4], dicho de otra forma, es la capacidad del estudio para diagnosticar a los
individuos sanos. Matemáticamente se expresa como:
(
)
(
)
La relación entre el resultado de una prueba diagnóstica y la presencia o ausencia de una
enfermedad puede ser agrupada en 4 conjuntos, tal y como se muestra en la Tabla 5.1.
Tabla 5. 1 Tabla de contingencia.
Resultado
Diagnóstico Verdadero
del estudio
Enfermo
Sano
Positivo
Verdaderos Positivos
Falsos Positivos
(VP)
(FP)
Falsos Negativos
Verdaderos Negativos
(FN)
(VN)
Negativo
Dónde:
Verdaderos Positivos (VP).- Cuando la enfermedad está presente y se diagnostica al
paciente como enfermo.
Falsos Positivos (FP).- Cuando la enfermedad no está presente pero al paciente se le
diagnostica como enfermo.
Verdaderos Negativos (VN).- Cuando la enfermedad no está presente y se diagnostica al
paciente como sano.
Falsos Negativos (FN).- Cuando la enfermedad está presente y esta no se diagnostica.
106
Capítulo 5
Resultados, Conclusiones y Trabajo a Futuro
5.2.1 Resultados experimentales del Sistema CADx
Al implementar los algoritmos descritos en el capítulo 4 en 76 retinografías a color RGB se
obtuvieron los valores de entrada que se muestran en la Tabla 5.2, estos valores serán
analizados por la Red Neuronal de Retropropagación con la finalidad de diagnosticar la No
Retinopatía Diabética y los estadios de la Retinopatía Diabética No Proliferativa.
Tabla 5. 2 Vector de validación de la Red Neuronal de Retropropagación.
Neuronas de la capa de entrada de la Red Neuronal de Retropropagación
No. de
Vasos
Microaneurísmas
Muestras
Sanguíneos
1
0.6206
0.3274
2
0.3274
3
Exudados
Homogeneidad
Entropía
0.0042
0.9916
0.8156
0.0619
0.0002
0.9907
0.8156
0.5276
0.0973
0
0.9917
0.7161
4
0.7577
0
0
0.9903
0.8225
5
0.1962
0.0442
0
0.9999
0.7962
6
0.5188
0.6460
0
0.9959
0.8175
7
0.4856
0.0442
0
0.9935
0.7373
8
0.4747
0.3362
0.2497
0.9949
0.8166
9
1
0.1415
0.0096
0.9810
0.7497
10
0.5943
0
0
0.9916
0.8306
11
0.7109
0.1592
1
0.9886
0.8121
12
0.4943
0.0442
0
0.9947
0.8037
13
0.5356
0.3008
0
0.9917
0.7637
14
0.5775
0.4601
0.1697
0.9917
0.8190
15
0.5336
0
0
0.9943
0.7903
16
0.4794
0.2300
.0011
0.9949
0.8088
75
0.3737
0.0884
0
0.9912
0.8002
76
0.4798
0.9823
0.0116
0.9940
0.7463
Duros
Los resultados del diagnóstico obtenido a la salida de la Red Neuronal de Retropropagación y el
diagnóstico brindado por el oftalmólogo se muestran en la Tabla 5.3.
107
Capítulo 5
Resultados, Conclusiones y Trabajo a Futuro
Tabla 5. 3 Validación del diagnostico
No. De
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
00
01
10
11
00
01
10
11
00
01
10
11
00
01
10
11
00
01
10
Muestras
DX Médico
DX RN
00
01
10
11
00
01
11
11
00
01
10
11
00
01
10
11
00
01
11
Diferencia
VN
VP
VP
VP
VN
VP
VP
VP
VN
VP
VP
VP
VN
VP
VP
VP
VN
VP
VP
No. De
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
DX Médico
11
00
01
10
11
00
01
10
11
00
01
10
11
00
01
10
11
00
01
DX RN
11
00
01
11
10
00
01
10
11
00
01
10
11
00
01
10
11
00
01
Diferencia
VP
VN
VP
VP
VP
VN
VP
VP
VP
VN
VP
VP
VP
VN
VP
VP
VP
VN
VP
No. De
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
DX Médico
10
11
00
01
10
11
00
01
10
11
00
01
10
11
00
01
10
11
00
DX RN
11
11
00
01
10
10
00
01
10
11
00
01
10
11
00
01
10
11
00
Diferencia
VP
VP
VN
VP
VP
VP
VN
VP
VP
VP
VN
VP
VP
VP
VN
VP
VP
VP
VN
No. De
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
DX Médico
01
10
11
00
01
10
11
00
01
10
11
00
01
10
11
00
01
10
11
DX RN
01
10
11
00
00
10
11
00
01
00
11
00
01
10
00
01
01
10
11
Diferencia
VP
VP
VP
VN
FN
VP
VP
VN
VP
FN
VP
VN
VP
VP
FN
FP
VP
VP
VP
Muestras
Muestras
Muestras
Dx Médico = Diagnóstico Médico, Dx RN = Diagnóstico de la Red Neuronal,
No Retinopatía Diabética = 00, RDNP Leve = 01, RDNP Moderada = 10 y RDNP Severa = 11
El color azul indica que la enfermedad no está presente y se diagnosticó al paciente como sano.
El color verde indica que la enfermedad está presente, se diagnosticó al paciente como enfermo y
el estadio de la Retinopatía Diabética No Proliferativa es correcto.
El color rojo indica que la enfermedad está presente y se diagnosticó al paciente como enfermo:
pero el estadio de la Retinopatía Diabética No Proliferativa es incorrecto.
Por otro lado, los errores cometidos por la Red Neuronal de Retropropagación se evaluaron como
Falsos Positivos y Falsos Negativos, donde:
El color morado indica que la enfermedad está presente y esta no se diagnosticó.
El color naranja indica que la enfermedad no está presente y se diagnosticó al paciente como
enfermo.
108
Capítulo 5
Resultados, Conclusiones y Trabajo a Futuro
Cabe mencionar que en este trabajo de tesis, la Red Neuronal de Retropropagación cometió
errores que no entran en la clasificación anterior (Falsos Positivos y Falsos Negativos), ya que al
realizar un diagnóstico Verdadero Positivo la Red Neuronal no fue capaz de indicar el estadio
correcto del paciente verdaderamente enfermo, por lo tanto, fue necesario calcular el error, el
cual se define como el número total de Verdaderos Positivos no clasificados en el estadio
correcto (errores totales), entre el número total de las muestras. Matemáticamente se expresa
como:
(
)
La Tabla 5.4 muestra la relación entre el resultado de una prueba diagnóstica y la presencia o
ausencia de una enfermedad. El número total de muestras empleadas fue de 76 imágenes.
Tabla 5. 4 Tabla de contingencia del Diagnóstico emitido por la Red Neuronal de Retropropagación.
Resultado del estudio
Diagnóstico Verdadero
Enfermo
Sano
Positivo
54
1
Negativo
3
18
Error al indicar la gravedad del paciente verdaderamente enfermo
6
Para validar la Red Neuronal de Retropropagación se realizaron pruebas de sensibilidad,
especificidad y error, estos resultados se muestran en la Tabla 5.5.
Tabla 5. 5 Índices de calidad del diagnóstico emitido por la Red Neuronal de Retropropagación.
% Sensibilidad % Especificidad % Error en la clasificación de la gravedad
del paciente verdaderamente enfermo
95 %
95 %
8%
Para saber el comportamiento de la Red Neuronal de Retropropagación en cada estadio de la
Retinopatía Diabética No Proliferativa se calcularon los porcentajes de error para cada uno de
ellos.
109
Capítulo 5
Resultados, Conclusiones y Trabajo a Futuro
En la Tabla 5.6 se muestran los errores cometidos por la Red Neuronal de Retropropagación al
indicar la gravedad del paciente verdaderamente enfermo, mientras que en la Tabla 5.7 se
muestran los porcentajes de error correspondientes a cada uno de los estadios de la Retinopatía
Diabética No Proliferativa.
Tabla 5. 6 Cantidad de errores al indicar la gravedad del paciente verdaderamente enfermo
Numero de errores cometidos por la
Número total
Red Neuronal de Retropropagación
de muestras
RDNP Leve
0
RDNP Moderada
4
RDNP Severa
2
76
Tabla 5. 7 Porcentaje de error en la clasificación de la gravedad del paciente verdaderamente enfermo
Porcentaje total del error de clasificación
RDNP
RDNP
RDNP
Leve
Moderada
Severa
0%
5%
3%
Se puede observar que en la clasificación de la Retinopatía Diabética No Proliferativa Leve se
obtuvo un error del 0%, lo cual indica que este Sistema Diagnóstico Asistido por Computadora es
capaz de clasificar correctamente este estadio.
Por otro lado, en la clasificación de la Retinopatía Diabética No Proliferativa Moderada se obtuvo
un error del 5%, mientras que en la clasificación de la Retinopatía Diabética No Proliferativa
Severa el error fue del 3%, lo anterior indica que en algunos casos el Sistema Diagnóstico
Asistido por Computadora no fue capaz de clasificar correctamente el estadio del paciente
verdaderamente enfermo, esto se debe a las similitudes que existen entre las características que
definen a ambos estadios, como ejemplo de esto se tiene que el Sistema Diagnóstico Asistido por
Computadora clasificó en 4 ocasiones la RDNP Moderada como RDNP Severa, mientras que en
2 ocasiones clasificó la RDNP Severa como RDNP Moderada. Por último, la sensibilidad y la
especificidad del Sistema Diagnóstico Asistido por Computadora para la detección de la No
Retinopatía Diabética y de la Retinopatía Diabética No Proliferativa desarrollado en este trabajo
de tesis fueron del 95%, mientras que el error en la clasificación correcta de los estadios fue del
8%.
110
Capítulo 5
5.3
Resultados, Conclusiones y Trabajo a Futuro
Interfaz Gráfica
Con el objetivo de facilitar la implementación del algoritmo desarrollado en este trabajo de tesis
se decidió diseñar una interfaz gráfica haciendo uso del programa MATLAB revisión 2010a, la
cual está conformada por cuatro secciones, como se muestra en la Figura 5.1.
Figura 5. 1 Interfaz gráfica.
Dónde:
Sección 1.- Retinografía Original: En esta sección se carga la retinografía que se quiere
analizar, se inicia o re-establece el análisis de la retinografía y se termina la sesión.
Sección 2.- Retinografía Segmentada: En esta sección se muestra la segmentación de
las patologías y de los vasos sanguíneos presentes en la retinografía original.
Sección 3.- Áreas Obtenidas de la Segmentación: En esta sección se muestran las áreas
que se obtienen al segmentar la retinografía original.
Sección 4.- Diagnóstico Final: En esta sección se presenta el diagnóstico final emitido
por la Red Neuronal de Retropropagación.
Esta interfaz gráfica se probó en los Sistemas Operativos Linux Ubuntu 11.10 y Windows 7.
111
Capítulo 5
5.4
Resultados, Conclusiones y Trabajo a Futuro
Conclusiones
En este trabajo de tesis se presentó el desarrollo de un Sistema Diagnostico Asistido por
Computadora capaz de detectar y diagnosticar de manera automática la No Retinopatía Diabética
y los estadios de la Retinopatía Diabética No Proliferativa a partir del análisis de criterios clínicos
en una imagen del fondo de ojo, en la Tabla 5.8 se muestra una comparativa entre el algoritmo
desarrollado en este trabajo de tesis y otros algoritmos existentes.
Tabla 5. 8 Comparativa entre algoritmos
Algoritmo
Sensibilidad
Especificidad
95%
95%
G.G. Gardner et al. [5]
88.4%
83.5%
C. Stellingwerf et al [6]
93%
93%
94.7%
91.3%
84%
97.33%
Propuesto en este trabajo de tesis
E. Chaum et al [7]
J. Anitha et al [8]
Por otro lado, a través de los algoritmos de pre-procesamiento implementados en este trabajo,
fue posible determinar que la etapa de pre-procesamiento puede ser de gran ayuda para el
especialista médico al momento de analizar las imágenes del fondo de ojo de manera
convencional, debido a que estos algoritmos resaltan las características presentes en la imagen,
en este caso las patologías (Microaneurísmas y Exudados Duros) y los Vasos Sanguíneos.
Además de mejorar el aspecto visual de la retinografía y resaltar las características o regiones de
interés, se logró realizar la detección y segmentación automática de la Red Vascular, el Disco
Óptico, los Microaneurísmas y los Exudados Duros por medio de las técnicas de detección de
bordes, umbralización y morfología matemática. También se realizó el análisis de las partes en
que se dividió la imagen (objetos segmentados) a través de la implementación de la técnica de
medición geométrica (cálculo del área de los objetos segmentados) y las técnicas estadísticas de
análisis de texturas (homogeneidad y entropía).
Para realizar la clasificación de la No Retinopatía Diabética y de los estadios de la Retinopatía
Diabética No Proliferativa, se hizo uso de los algoritmos inteligentes denominados Redes
Neuronales Artificiales.
112
Capítulo 5
Resultados, Conclusiones y Trabajo a Futuro
Las Redes Neuronales Artificiales son sistemas de reconocimiento que pueden generalizar
aprendiendo de ejemplos, además se pueden implementar computacionalmente como
clasificadores, en base a lo anterior, se optó por usar la Red Neuronal de Retropropagación, la
cual tiene como principal ventaja la capacidad de adaptar automáticamente los pesos de las
neuronas de las capas intermedias para aprender la relación que existe entre un conjunto de
patrones dados como ejemplo y sus salidas correspondientes.
Por último, cabe mencionar que el Sistema Diagnóstico Asistido por Computadora desarrollado en
este trabajo de tesis tarda un minuto aproximadamente en analizar y emitir el diagnóstico médico,
lo cual muestra que el análisis computarizado de las imágenes del fondo de ojo es una forma
segura y rápida para identificar a las personas con Retinopatía Diabética.
5.5
Trabajo a futuro
A pesar de que con el desarrollo del presente trabajo, se ha cumplido de manera satisfactoria y
en su totalidad con los objetivos específicos planteados, existen algunas mejoras que se pueden
realizar, las cuales se enlistan a continuación:
 Ampliar la base de datos de las imágenes del fondo de ojo diagnosticadas por un médico
especialista y entrenar la Red Neuronal de Retropropagación con esta base de datos, con
el objeto de incrementar los porcentajes de sensibilidad y especificidad, y al mismo
tiempo disminuir el error en la clasificación de los estadios de la Retinopatía Diabética No
Proliferativa.
 Realizar pruebas de campo, en hospitales, centros de salud, zonas rurales, escuelas, etc.
 Implementar algoritmos de procesamiento digital de imágenes con mayor complejidad en
las etapas de pre-procesamiento (mejora de contraste con lógica difusa) y segmentación
(contornos activos para tener mayor precisión en la localización de los bordes de los
Exudados Duros y de los Vasos Sanguíneos).
 Agregar las patologías: hemorragias retinianas, drusas y edema macular, con el objeto de
incrementar la consistencia diagnóstica de la Retinopatía Diabética No Proliferativa.
113
Capítulo 5
Resultados, Conclusiones y Trabajo a Futuro
 Desarrollar algoritmos que sean capaces de detectar y diagnosticar la Retinopatía
Diabética Proliferativa.
 Implementar algoritmos Neuro-Difusos para la toma de decisiones y clasificación de la
Retinopatía Diabética (No Retinopatía Diabética, Retinopatía Diabética No Proliferativa y
Retinopatía Diabética Proliferativa).
 Desarrollar un algoritmo que sea capaz de detectar y diagnosticar el desprendimiento de
retina, tomando como base el algoritmo desarrollado en esta tesis.
 Desarrollar un algoritmo que sea capaz de detectar y diagnosticar el glaucoma, tomando
como base el algoritmo desarrollado en esta tesis.
5.6
Referencias
[1]
A. Sopharak, B. Uyyanonvara, S. Barman and T.H. Williamson, Automatic detection of diabetic
retinopathy exudates from non-dilated retinal images using mathematical morphology methods ,
Computerized Medical Imaging and Graphics, 2008, Vol. 32, pp. 720-727.
[Consulted on July 2011], Available at:
http://www.sciencedirect.com/science/article/pii/S0895611108000931
[2]
E. Chaum, T.P. Karnowski, V.P. Govindasamy, M. Abdelrahman and K.W. Tobin, Automated
Diagnosis of Retinopathy by content-based image retrieval, The Journal of Retinal and
Vitreous Diseases, 2008, Vol. 28, pp. 1463-1476. [Consulted on July 2011], Available at:
http://www.ncbi.nlm.nih.gov/pubmed/18997609?dopt=Abstract
[3]
A.K. Akobeng, Understanding diagnostic test 1: sensitivity, specificity and predictive values ,
Foundation Acta Pædiatrica/Acta Pædiatrica, 2006, Vol. 96, pp. 338–341.
[Consulted on July 2011], Available at:
http://umanitoba.ca/faculties/medicine/units/pediatrics/sections/neonatology/media/Diag
nosticTest1.pdf
[4]
G.M. Gaddis and M.L. Gaddis, Introduction to Biostatics: Part 3, Sensitivity, Specificity,
Predictive Value and Hypothesis Testing, Annals of Emergency Medicine, 1990, Vol. 19, pp.
591-597. [Consulted on July 2011], Available at:
http://drtedwilliams.net/cop/726/726IntroBiostat3.pdf
114
Capítulo 5
[5]
Resultados, Conclusiones y Trabajo a Futuro
G.G. Gardner, D. Keating, T.H. Williamson and A.T. Elliot, Automatic detection of diabetic
retinopathy using an artificial neural network: a screening tool , British Journal of
Ophthalmology, 1996, Vol. 80, pp. 940-944. [Consulted on May 2011], Available at:
http://www.ncbi.nlm.nih.gov/pmc/articles/PMC505667/pdf/brjopthal00011-0006.pdf
[6]
C. Stellingwerf, P.L.L.J. Hardus and J. M.M. Hooymans, Assessing Diabetic Retinopathy using
two-field digital photography and the influence of JPEG-compression, Documenta
Ophthalmologia, 2004, Vol. 108, pp. 203-209. [Consulted on May 2011], Available at:
http://www.springerlink.com/content/r0m17762574r21g1/fulltext.pdf
[7]
E. Chaum, T.P. Karnowski, V.P. Govindasamy, M. Abdelrahman and K.W. Tobin, Automated
Diagnosis of Retinopathy by content-based image retrieval, The journal of Retinal and Vitreous
Diseases, 2008, Vol. 25-10, pp. 1463-1477. [Consulted on May 2011], Available at:
http://www.ncbi.nlm.nih.gov/pubmed/18997609
[8]
J. Anitha, D. Selvathi and D.J. Hemanth, Neural Computing Based Abnormality Detection in
Retinal Optical Images, International Advance Computing Conference, 2009, IACC., IEEE
International, pp. 630-635. [Consulted on May 2011], Available at:
http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=4809085
115
Difusión del Trabajo de Tesis
Participación en congresos:
J.S. Velázquez-González, L. Quintanar, J.M. Kinani, F.J. Gallegos Funes, G.J. Guzmán
Bárcenas, O. Martínez Vargas (2010):”Detección de Retinopatía Diabética mediante operadores
de gradiente”, VII Encuentro Participación de la Mujer en la Ciencia , León, Guanajuato, México,
26-28 Mayo.
J.S. Velázquez-González, F.J. Gallegos-Funes, R. Cruz-Santiago, G.J. Guzmán Bárcenas
(2010): “Segmentación de exudados duros en retinografías a color RGB”, VIII Congreso
Internacional Sobre Innovación y Desarrollo Tecnológico (CIINDET), Cuernavaca, Morelos,
México, 24-26 Noviembre.
J.S. Velázquez-González, B. García García, J.M. Kinani, D.A. Fabila, F.J. Gallegos Funes, G.J.
Guzmán Bárcenas, L.B. Guzmán Bárcenas (2010): “Detección de Exudados Duros en
Retinografías a color RGB”, Vigésima Reunión de Otoño de Comunicaciones, Computación,
Electrónica y Exposición Industrial (ROC&C), Acapulco, Guerrero, México, 28 de Noviembre al 4
de Diciembre.
116