Diagnóstico de Glaucoma em Imagens de Fundo de Olho Usando Índices Taxonômicos
Resumo
O glaucoma é uma doença irreversı́vel que degrada o nervo óptico até a completa perda do campo visual. A Organização Mundial de Saúde estima que o glaucoma seja responsável por aproximadamente 5,2 milhões de casos de cegueira. Este artigo possui como objetivo apresentar um método computacional automático utilizando ı́ndices taxonômicos como descritores de textura para detectar o glaucoma em imagens de fundo de olho. Os experimentos foram realizados em 922 imagens de retinografia de bases públicas: RIM-ONE versão 2, iChallenge-GON e Kaggle1000fundusimages. O método obteve 90,20% de sensibilidade, 94,03% de especificidade, f1-score de 0,82 e 92,97% de acurácia.
Referências
Al-Bander, B., Al-Nuaimy, W., Al-Taee, M. A., and Zheng, Y. (2017). Automated glaucoma diagnosis using deep learning approach. In Systems, Signals & Devices (SSD), 2017 14th International Multi-Conference on, pages 207–210. IEEE.
Araújo, J. D. L., Souza, J. C., Neto, O. P. S., de Sousa, J. A., de Almeida, J. D. S., de Paiva, A. C., Silva, A. C., Junior, G. B., and Gattass, M. (2018). Glaucoma diagnosis in fundus eye images using diversity indexes. Multimedia Tools and Applications, pages 1–18.
Buades, A., Coll, B., and Morel, J.-M. (2011). Non-local means denoising. Image Processing On Line, 1.
Carvalho Filho, A. O. d. (2016). Métodos para sistemas CAD e CADx de nódulo pulmonar baseada em tomografia computadorizada usando análise de forma e textura. PhD thesis. DEPARTAMENTO DE ENGENHARIA DA ELETRICIDADE/CCET.
de Sousa, J. A., de Paiva, A. C., de Almeida, J. D. S., Silva, A. C., Junior, G. B., and Gattass, M. (2017). Texture based on geostatistic for glaucoma diagnosis from fundus eye image. Multimedia Tools and Applications, 76(18):19173–19190.
Geurts, P., Ernst, D., and Wehenkel, L. (2006). Extremely randomized trees.
Giger, M. L. and Suzuki, K. (2008). Computer-aided diagnosis. In Biomedical information technology, pages 359–XXII. Elsevier.
Gonzalez, R. C. E., Woods, S. L., Gonzalez, R. E. R. E. R. C., Woods, R. E., and Eddins, S. L. (2004). Digital image processing using MATLAB. Number 04; TA1637, G6.
INTEL (2016). Opencv, open computer vision em:¡http://www.sourceforge.net/projects/opencvlibrary/¿.
Linchundan (2019). 1000 fundus images with 39 categories.
Oliveira, F. S. S. d. (2013). Classificação de tecidos da mama em massa e não-massa usando ı́ndice de diversidade taxonômico e máquina de vetores de suporte.
Ottaiano, J. A. A., de Ávila, M. P., Umbelino, C. C., and Taleb, A. C. (2019). As condições de saúde ocular no brasil. Conselho Brasileiro de Oftalmologia, 1.
Ricotta, C. (2004). A parametric diversity measure combining the relative abundances and taxonomic distinctiveness of species. Diversity and Distributions, 10:143 – 146.
Silva, R. R., Lopes, J. G., and Araújo, F. H. (2017). Visão computacional em python utilizando as bibliotecas scikit-image e scikit-learn. pages 407–428.
Taleb, A., Faria, M. A. R. d., Ávila, M., and Mello, P. (2012). As condições de saúde ocular no brasil–2012. Conselho Brasileiro de Oftalmologia. São Paulo.
Trucco, E., Ruggeri, A., Karnowski, T., Giancardo, L., Chaum, E., Hubschman, J. P., Al-Diri, B., Cheung, C. Y., Wong, D., Abramoff, M., et al. (2013). Validating retinal fundus image analysis algorithms: Issues and a proposalvalidating retinal fundus image analysis algorithms. Investigative ophthalmology & visual science, 54(5):3546–3559.
Vellend, M., Cornwell, W., Magnuson-Ford, K., and Mooers, A. (2011). Measuring phylogenetic biodiversity. Magurran McGill, pages 194–207.
Xu, Y., Orlando, J. I., Bogunovic, H., Fu, H., and Zhang, X. a. F. (2018). Refuge: Retinal fundus glaucoma challenge.
Araújo, J. D. L., Souza, J. C., Neto, O. P. S., de Sousa, J. A., de Almeida, J. D. S., de Paiva, A. C., Silva, A. C., Junior, G. B., and Gattass, M. (2018). Glaucoma diagnosis in fundus eye images using diversity indexes. Multimedia Tools and Applications, pages 1–18.
Buades, A., Coll, B., and Morel, J.-M. (2011). Non-local means denoising. Image Processing On Line, 1.
Carvalho Filho, A. O. d. (2016). Métodos para sistemas CAD e CADx de nódulo pulmonar baseada em tomografia computadorizada usando análise de forma e textura. PhD thesis. DEPARTAMENTO DE ENGENHARIA DA ELETRICIDADE/CCET.
de Sousa, J. A., de Paiva, A. C., de Almeida, J. D. S., Silva, A. C., Junior, G. B., and Gattass, M. (2017). Texture based on geostatistic for glaucoma diagnosis from fundus eye image. Multimedia Tools and Applications, 76(18):19173–19190.
Geurts, P., Ernst, D., and Wehenkel, L. (2006). Extremely randomized trees.
Giger, M. L. and Suzuki, K. (2008). Computer-aided diagnosis. In Biomedical information technology, pages 359–XXII. Elsevier.
Gonzalez, R. C. E., Woods, S. L., Gonzalez, R. E. R. E. R. C., Woods, R. E., and Eddins, S. L. (2004). Digital image processing using MATLAB. Number 04; TA1637, G6.
INTEL (2016). Opencv, open computer vision em:¡http://www.sourceforge.net/projects/opencvlibrary/¿.
Linchundan (2019). 1000 fundus images with 39 categories.
Oliveira, F. S. S. d. (2013). Classificação de tecidos da mama em massa e não-massa usando ı́ndice de diversidade taxonômico e máquina de vetores de suporte.
Ottaiano, J. A. A., de Ávila, M. P., Umbelino, C. C., and Taleb, A. C. (2019). As condições de saúde ocular no brasil. Conselho Brasileiro de Oftalmologia, 1.
Ricotta, C. (2004). A parametric diversity measure combining the relative abundances and taxonomic distinctiveness of species. Diversity and Distributions, 10:143 – 146.
Silva, R. R., Lopes, J. G., and Araújo, F. H. (2017). Visão computacional em python utilizando as bibliotecas scikit-image e scikit-learn. pages 407–428.
Taleb, A., Faria, M. A. R. d., Ávila, M., and Mello, P. (2012). As condições de saúde ocular no brasil–2012. Conselho Brasileiro de Oftalmologia. São Paulo.
Trucco, E., Ruggeri, A., Karnowski, T., Giancardo, L., Chaum, E., Hubschman, J. P., Al-Diri, B., Cheung, C. Y., Wong, D., Abramoff, M., et al. (2013). Validating retinal fundus image analysis algorithms: Issues and a proposalvalidating retinal fundus image analysis algorithms. Investigative ophthalmology & visual science, 54(5):3546–3559.
Vellend, M., Cornwell, W., Magnuson-Ford, K., and Mooers, A. (2011). Measuring phylogenetic biodiversity. Magurran McGill, pages 194–207.
Xu, Y., Orlando, J. I., Bogunovic, H., Fu, H., and Zhang, X. a. F. (2018). Refuge: Retinal fundus glaucoma challenge.
Publicado
26/12/2019
Como Citar
AZEVEDO, Layane M.; DE ALMEIDA, João D. S. ; DE PAIVA, Anselmo C.; B. JUNIOR, Geraldo.
Diagnóstico de Glaucoma em Imagens de Fundo de Olho Usando Índices Taxonômicos. In: ESCOLA REGIONAL DE COMPUTAÇÃO APLICADA À SAÚDE (ERCAS), 7. , 2019, Teresina.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 43-48.
