Método Automático para Classificação do Glaucoma Usando Análise de Textura, Xgboost e Grid search
Resumo
Glaucoma é uma patologia irreversı́vel, gerada pelo aumento da pressao intra-ocular. A detecção precoce é fundamental e pode evitar a perda total da visão. Exames clı́nicos são comumente utilizados na detecção da doença. Ainda assim, o tempo e o custo gasto na identificação são bastante elevados. Este trabalho apresenta uma metodologia computacional que visa auxiliar especialistas na descoberta do glaucoma por meio de técnicas de Visão Computacional. A metodologia proposta consiste na aplicação de vários descritores de textura combinados com uma otimização de parâmetros feita através do Grid search com o classificador XGBoost. Obeteve-se um resultado com Acurácia de 82,37% e ROC de 82,08%.
Referências
Araujo, J. D. L. et al. (2018). Diagnóstico de glaucoma a partir de imagens de fundo de olho utilizando ı́ndices de diversidade.
Ayub, J., Ahmad, J., Muhammad, J., Aziz, L., Ayub, S., Akram, U., and Basit, I. (2016). Glaucoma detection through optic disc and cup segmentation using k-mean clustering. In 2016 International Conference on Computing, Electronic and Electrical Engineering (ICE Cube), pages 143–147. IEEE.
Bland, M. (2015). An introduction to medical statistics. Oxford University Press (UK).
Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, pages 785–794. ACM.
Claro, M. L., Veras, R. d. M. S., Santana, A. M., Vogado, L. H. S., and Sousa, L. P. (2018). Diagnóstico de glaucoma utilizando atributos de textura e cnn’s pré-treinadas. Revista de Informática Teórica e Aplicada, 25(1):82–89
Cohen, J. (1968). Weighted kappa: Nominal scale agreement provision for scaled disagreement or partial credit. Psychological bulletin, 70(4):213.
de Carvalho Junior, A. S. V., Carvalho, E. D., de Carvalho Filho, A. O., de Sousa, A. D., Silva, A. C., and Gattass, M. (2018). Automatic methods for diagnosis of glaucoma using texture descriptors based on phylogenetic diversity. Computers & Electrical Engineering, 71:102–114.
de Lima Araujo, J. D. (2018). Diagnóstico de glaucoma a partir de imagens de fundo de olho utilizando Índices de diversidade. Pós-graduação em ciência da computação, Universidade Federal do Maranhã, São Luı́s.
Fernandes, A. G. S., da Silva Martins, C. M., de Moura Lima, A. C., Junior, G. B., de Almeida, J. D. S., and de Paiva, A. C. (2019). Meta aprendizagem de extração de características aplicada ao diagnóstico de glaucoma. In Anais do XIX Simpósio Brasileiro de Computação Aplicada à Saúde, pages 342–347. SBC.
Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine. Annals of statistics, pages 1189–1232.
Gonzalez, R. C. and Woods, R. C. (2010). Processamento digital de imagens. Pearson Educación.
Haralick, R. M., Shanmugam, K., et al. (1973). Textural features for image classification. IEEE Transactions on systems, man, and cybernetics, (6):610–621.
Lerman, P. (1980). Fitting segmented regression models by grid search. Journal of the Royal Statistical Society: Series C (Applied Statistics), 29(1):77–84.
Li, Z., He, Y., Keel, S., Meng, W., Chang, R. T., and He, M. (2018). Efficacy of a deep learning system for detecting glaucomatous optic neuropathy based on color fundus photographs. Ophthalmology, 125(8):1199–1206.
Lim, R. and Goldberg, I. (2010). Glaucoma in the twenty-first century. In The Glaucoma Book, pages 3–21. Springer.
Loewen, N. A. and Tanna, A. P. (2010). Glaucoma risk factors: Intraocular pressure. The Glaucoma Book: A Practical, Evidence-Based Approach to Patient Care, page 35.
MATOS, C. E. F. (2017). Diagnosis of breast cancer in images mammography through local features and invariants
Ojala, T., Pietikäinen, M., and Harwood, D. (1996). A comparative study of texture measures with classification based on featured distributions. Pattern recognition, 29(1):51–
59.
Oliveira, W, E. B. e. F. S. R. (2016). Classificacao de padroes em imagens usando descritores de textura.
Resnikoff, S., Pascolini, D., Etya’Ale, D., Kocur, I., Pararajasegaram, R., Pokharel, G. P.,and Mariotti, S. P. (2004). Global data on visual impairment in the year 2002. Bulletin of the world health organization, 82:844–851.
RIMONE, M. I. A. G. (2015). Rim-one r2.
Severo, E. B. (2014). Quantificação automática do glaucoma utilizando imagens de fundo do olho.
Stone, M. (1974). Cross-validatory choice and assessment of statistical predictions. Jour-nal of the Royal Statistical Society: Series B (Methodological), 36(2):111–133.
Ayub, J., Ahmad, J., Muhammad, J., Aziz, L., Ayub, S., Akram, U., and Basit, I. (2016). Glaucoma detection through optic disc and cup segmentation using k-mean clustering. In 2016 International Conference on Computing, Electronic and Electrical Engineering (ICE Cube), pages 143–147. IEEE.
Bland, M. (2015). An introduction to medical statistics. Oxford University Press (UK).
Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, pages 785–794. ACM.
Claro, M. L., Veras, R. d. M. S., Santana, A. M., Vogado, L. H. S., and Sousa, L. P. (2018). Diagnóstico de glaucoma utilizando atributos de textura e cnn’s pré-treinadas. Revista de Informática Teórica e Aplicada, 25(1):82–89
Cohen, J. (1968). Weighted kappa: Nominal scale agreement provision for scaled disagreement or partial credit. Psychological bulletin, 70(4):213.
de Carvalho Junior, A. S. V., Carvalho, E. D., de Carvalho Filho, A. O., de Sousa, A. D., Silva, A. C., and Gattass, M. (2018). Automatic methods for diagnosis of glaucoma using texture descriptors based on phylogenetic diversity. Computers & Electrical Engineering, 71:102–114.
de Lima Araujo, J. D. (2018). Diagnóstico de glaucoma a partir de imagens de fundo de olho utilizando Índices de diversidade. Pós-graduação em ciência da computação, Universidade Federal do Maranhã, São Luı́s.
Fernandes, A. G. S., da Silva Martins, C. M., de Moura Lima, A. C., Junior, G. B., de Almeida, J. D. S., and de Paiva, A. C. (2019). Meta aprendizagem de extração de características aplicada ao diagnóstico de glaucoma. In Anais do XIX Simpósio Brasileiro de Computação Aplicada à Saúde, pages 342–347. SBC.
Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine. Annals of statistics, pages 1189–1232.
Gonzalez, R. C. and Woods, R. C. (2010). Processamento digital de imagens. Pearson Educación.
Haralick, R. M., Shanmugam, K., et al. (1973). Textural features for image classification. IEEE Transactions on systems, man, and cybernetics, (6):610–621.
Lerman, P. (1980). Fitting segmented regression models by grid search. Journal of the Royal Statistical Society: Series C (Applied Statistics), 29(1):77–84.
Li, Z., He, Y., Keel, S., Meng, W., Chang, R. T., and He, M. (2018). Efficacy of a deep learning system for detecting glaucomatous optic neuropathy based on color fundus photographs. Ophthalmology, 125(8):1199–1206.
Lim, R. and Goldberg, I. (2010). Glaucoma in the twenty-first century. In The Glaucoma Book, pages 3–21. Springer.
Loewen, N. A. and Tanna, A. P. (2010). Glaucoma risk factors: Intraocular pressure. The Glaucoma Book: A Practical, Evidence-Based Approach to Patient Care, page 35.
MATOS, C. E. F. (2017). Diagnosis of breast cancer in images mammography through local features and invariants
Ojala, T., Pietikäinen, M., and Harwood, D. (1996). A comparative study of texture measures with classification based on featured distributions. Pattern recognition, 29(1):51–
59.
Oliveira, W, E. B. e. F. S. R. (2016). Classificacao de padroes em imagens usando descritores de textura.
Resnikoff, S., Pascolini, D., Etya’Ale, D., Kocur, I., Pararajasegaram, R., Pokharel, G. P.,and Mariotti, S. P. (2004). Global data on visual impairment in the year 2002. Bulletin of the world health organization, 82:844–851.
RIMONE, M. I. A. G. (2015). Rim-one r2.
Severo, E. B. (2014). Quantificação automática do glaucoma utilizando imagens de fundo do olho.
Stone, M. (1974). Cross-validatory choice and assessment of statistical predictions. Jour-nal of the Royal Statistical Society: Series B (Methodological), 36(2):111–133.
Publicado
26/12/2019
Como Citar
CARVALHO, Nonato R. de S.; DE C. FILHO, Antônio O.; C. JÚNIOR, Francisco das C. dos A. ; DE SOUSA, Deusimar D.; ARAÚJO, Rafael L.; RODRIGUES, Maria da C. L. C. ; LIMA, Thiago J. B. ; VIEIRA, Pablo de A. .
Método Automático para Classificação do Glaucoma Usando Análise de Textura, Xgboost e Grid search. In: ESCOLA REGIONAL DE COMPUTAÇÃO APLICADA À SAÚDE (ERCAS), 7. , 2019, Teresina.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 300-305.
