Comparação das Técnicas de Extração de Características HOG e LBP para Deteção de Glaucoma em Retinografias

  • Rosana Jesus IFES
  • Karin Komati IFES
  • Sérgio Nery Simões IFES

Resumo


A Organização Mundial da Saúde (OMS) considera o glaucoma como a doença ocular crônica que é a segunda maior causa de cegueira no mundo. Existem diversas técnicas de aprendizado de máquina que podem auxiliar na detecção do glaucoma. Neste artigo, avaliamos três combinações: dez diferentes canais de espaço de cores, dois extratores de características (HOG e LBP) com três diferentes parâmetros em cada e cinco diferentes algoritmos de aprendizado de máquina. Os melhores resultados na base de dados Drishti foram alcançados em 4 combinações diferentes, indicando que tanto o HOG quanto o LBP discriminam texturas, e que o classificador SVM, com kernel RBF ou linear, atingem acurácia de 88,23%.

Palavras-chave: Glaucoma, aprendizado de máquina, extração de características

Referências

Carrillo, J., Bautista, L., Villamizar, J., Rueda, J., Sanchez, M., et al. (2019). Glaucoma detection using fundus images of the eye. In 2019 XXII Symposium on Image, Signal Processing and Artificial Vision (STSIVA), pages 1–4. IEEE.

Ceravolo, I., Brasil, A. A., and Komati, K. (2019). Classifying readers with dyslexia from eye movements using machine learning and wavelets. In ENIAC 2019 (XVI Encontro Nacional de Inteligencia Artificial e Computacional).

Chen, X., Xu, Y., Kee Wong, D. W., Wong, T. Y., and Liu, J. (2015). Glaucoma detection based on deep convolutional neural network. In 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pages 715–718.

da Silva, R. L., Chevtchenko, S., de Moura, A. A., Macario, V., and Cordeiro, F. R. (2017). A study of swimmers detection in beach images. In Anais do XIII Workshop de Visão Computacional, pages 106–111.

Dalal, N. and Triggs, B. (2005). Histograms of oriented gradients for human detection. In 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05), volume 1, pages 886–893 vol. 1.

Haleem, M. S., Han, L., Van Hemert, J., and Li, B. (2013). Automatic extraction of retinal features from colour retinal images for glaucoma diagnosis: a review. Computerized medical imaging and graphics, 37(7-8):581–596.

Jae Kim, S., Jin Cho, K., and Oh, S. (2017). Development of machine learning models for diagnosis of glaucoma. PLoS ONE, 12.

Krizaj, D. (2019). What is glaucoma? University of Utah Health Sciences Center.

Naumann, G. O. (2012). Pathology of the Eye. Springer Science & Business Media.

Ojala, T., Pietikainen, M., and Harwood, D. (1996). A comparative study of texture measures with classification based on featured distributions. Pattern Recognition, 29(1):51 – 59.

Salam, A. A., Khalil, T., Akram, M. U., Jameel, A., and Basit, I. (2016). Automated detection of glaucoma using structural and non structural features. SpringerPlus, 5(1):1519.

Silva, M., Pessoa, A., de Almeida, J., Junior, G. B., and de Paiva, A. (2018). Diagnóstico do glaucoma em imagens de retinografia usando variantes de padroes locaisbinários. In Anais do XVIII Simposio Brasileiro deComputação Aplicada à Saúde , Porto Alegre, RS, Brasil. SBC.

Sivaswamy, J., Krishnadas, S., Joshi, G., Jain, M., and Tabish, A. (2014). Drishti-gs: Retinal image dataset for optic nerve head(onh) segmentation. pages 53–56.

Tham, Y.-C., Li, X., Wong, T.-Y., Quigley, H., Aung, T., and Cheng, C.-y. (2014). Global prevalence of glaucoma and projections of glaucoma burden through 2040: A systematic review and meta-analysis. Ophthalmology, 121:2081–2090.
Publicado
30/06/2020
JESUS, Rosana; KOMATI, Karin; SIMÕES, Sérgio Nery. Comparação das Técnicas de Extração de Características HOG e LBP para Deteção de Glaucoma em Retinografias. In: ENCONTRO NACIONAL DE COMPUTAÇÃO DOS INSTITUTOS FEDERAIS (ENCOMPIF), 7. , 2020, Evento Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2020 . p. 77-84. ISSN 2763-8766. DOI: https://doi.org/10.5753/encompif.2020.11071.