Classificação da Camada Lipídica do Filme Lacrimal usando K-Means e Deep Learning
Resumo
A síndrome do olho seco, uma das doenças oftalmológicas mais comuns, apresenta desafios diagnósticos devido à sua natureza multifatorial. O diagnóstico tradicional, que envolve a classificação manual das imagens do filme lacrimal, enfrenta limitações devido à instabilidade deste filme. Este estudo propõe uma abordagem inovadora que combina aprendizagem não supervisionada para segmentação da região de interesse e deep learning para classificação de patches. Os resultados são promissores, com acurácia de 99,23% e F1-score de 99,16%, superando outras técnicas e estudos da literatura. Acredita-se que esta metodologia possa ser uma ferramenta valiosa para auxiliar os especialistas no diagnóstico da doença.
Referências
Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., Corrado, G. S., Davis, A., Dean, J., Devin, M., et al. (2015). Tensorflow: Large-scale machine learning on heterogeneous systems. Software available from tensorflow.org.
Burman, P. (1989). A comparative study of ordinary cross-validation, v-fold crossvalidation and the repeated learning-testing methods. Biometrika, 76(3):503–514.
Chollet, F. et al. (2015). Keras. [link].
Cruz, L. B., Araújo, J. D. L., Sousa, J. A., Almeida, J. D. S., Júnior, G. B., Silva, A. C., and Paiva, A. C. (2018a). Classificação do filme lacrimal usando a função k de ripley como descritor de textura. In Anais do XVIII Simpósio Brasileiro de Computação Aplicada à Saúde, Porto Alegre, RS, Brasil. SBC.
Cruz, L. B. d., Araújo, J. D. L., Souza, J. C., de Sousa, J. A., de Almeida, J. D. S., Junior, G. B., Silva, A. C., and de Paiva, A. C. (2018b). Tear film classification using phylogenetic diversity indexes as texture descriptor. In 2018 IEEE Symposium on Computers and Communications (ISCC), pages 00853–00858.
da Cruz, L. B., Souza, J. C., de Paiva, A. C., de Almeida, J. D. S., Junior, G. B., Aires, K. R. T., Silva, A. C., and Gattass, M. (2020). Tear film classification in interferometry eye images using phylogenetic diversity indexes and ripley’s k function. IEEE Journal of Biomedical and Health Informatics, 24(12):3491–3498.
da Cruz, L. B., Souza, J. C., de Sousa, J. A., Santos, A. M., de Paiva, A. C., de Almeida, J. D. S., Silva, A. C., Junior, G. B., and Gattass, M. (2020). Interferometer eye image classification for dry eye categorization using phylogenetic diversity indexes for texture analysis. Computer Methods and Programs in Biomedicine, 188:105269.
Davidson, I. (2002). Understanding k-means non-hierarchical clustering. Computer Science Department of State University of New York (SUNY), Albany.
Doane, M. G. (1989). An instrument for in vivo tear film interferometry. Optometry and Vision Science, 66(6):383–388.
Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., Uszkoreit, J., and Houlsby, N. (2020). An image is worth 16x16 words: Transformers for image recognition at scale. CoRR, abs/2010.11929.
G. Villaverde, D., Remeseiro, B., Barreira, N., G. Penedo, M., and Mosquera, A. (2014). Feature selection applied to human tear film classification. In Proceedings of the 6th International Conference on Agents and Artificial Intelligence Volume 1, ICAART 2014, pages 395–402, Portugal. SCITEPRESS Science and Technology Publications, Lda.
Gedraite, E. S. and Hadad, M. (2011). Investigation on the effect of a gaussian blur in image filtering and segmentation. In Proceedings ELMAR-2011, pages 393–396.
Huang, G., Liu, Z., and Weinberger, K. Q. (2016). Densely connected convolutional networks. CoRR, abs/1608.06993.
Júnior, D. D., Cruz, L., Diniz, J., Júnior, G. B., and Silva, A. (2021). Classificação automática de glóbulos brancos usando descritores de forma e textura e extreme gradient boosting. In Anais do XXI Simpósio Brasileiro de Computação Aplicada à Saúde, pages 95–106, Porto Alegre, RS, Brasil. SBC.
Koonce, B. and Koonce, B. (2021). Resnet 50. Convolutional Neural Networks with Swift for Tensorflow: Image Recognition and Dataset Categorization, pages 63–72.
Leite, F., Almeida, J., Teixeira, J., Cruz, L., Junior, G., and Paiva, A. (2020). Planejamento cirúrgico de estrabismo horizontal utilizando Árvore de regressão de múltiplas saídas. In Anais do XX Simpósio Brasileiro de Computação Aplicada à Saúde, pages 356–367, Porto Alegre, RS, Brasil. SBC.
Marculino, L. G. C., Hazarbassanov, R. M., Hazarbassanov, N. G. T. d. Q., Hirai, F., Milhomens Filho, J. A. P., Wakamatsu, T. H., and Gomes, J. A. (2022). Prevalence and risk factors for dry eye disease: the sao paulo dry eye study. Arquivos Brasileiros de Oftalmologia, 85:549–557.
Messmer, E. M. (2015). The Pathophysiology, Diagnosis, and Treatment of Dry Eye Disease. Dtsch Arztebl International, 112(5):71–82.
Panetta, K., Zhou, Y., Agaian, S., and Jia, H. (2011). Nonlinear unsharp masking for mammogram enhancement. IEEE Transactions on Information Technology in Biomedicine, 15(6):918–928.
Pereira, R., Matos, C., Diniz, J., Junior, G. B., de Almeida, J., Silva, A., and de Paiva, A. (2016). Abordagem deep learning para classificação de lesões mamárias. In Anais do XVI Workshop de Informática Médica, pages 2597–2600, Porto Alegre, RS, Brasil. SBC.
Quintana, G. I., Li, Z., Vancamberg, L., Mougeot, M., Desolneux, A., and Muller, S. (2023). Exploiting patch sizes and resolutions for multi-scale deep learning in mammogram image classification. Bioengineering, 10(5):534.
Remeseiro, B., Oliver, K. M., Tomlinson, A., Martin, E., Barreira, N., and Mosquera, A. (2015). Automatic grading system for human tear films. Pattern Analysis and Applications, 18(3):677–694.
Simonyan, K. and Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
Stapleton, F., Alves, M., Bunya, V. Y., Jalbert, I., Lekhanont, K., Malet, F., Na, K.-S., Schaumberg, D., Uchino, M., Vehof, J., Viso, E., Vitale, S., and Jones, L. (2017). Tfos dews ii epidemiology report. The Ocular Surface, 15(3):334 – 365. TFOS International Dry Eye WorkShop (DEWS II).
Tan, M. and Le, Q. V. (2021). Efficientnetv2: Smaller models and faster training. CoRR, abs/2104.00298.
VOPTICAL GCU, V. (2017). optical dataset acquired and annotated by optometrists from the department of life sciences, glasgow caledonian university (uk), 2013. [link].
Burman, P. (1989). A comparative study of ordinary cross-validation, v-fold crossvalidation and the repeated learning-testing methods. Biometrika, 76(3):503–514.
Chollet, F. et al. (2015). Keras. [link].
Cruz, L. B., Araújo, J. D. L., Sousa, J. A., Almeida, J. D. S., Júnior, G. B., Silva, A. C., and Paiva, A. C. (2018a). Classificação do filme lacrimal usando a função k de ripley como descritor de textura. In Anais do XVIII Simpósio Brasileiro de Computação Aplicada à Saúde, Porto Alegre, RS, Brasil. SBC.
Cruz, L. B. d., Araújo, J. D. L., Souza, J. C., de Sousa, J. A., de Almeida, J. D. S., Junior, G. B., Silva, A. C., and de Paiva, A. C. (2018b). Tear film classification using phylogenetic diversity indexes as texture descriptor. In 2018 IEEE Symposium on Computers and Communications (ISCC), pages 00853–00858.
da Cruz, L. B., Souza, J. C., de Paiva, A. C., de Almeida, J. D. S., Junior, G. B., Aires, K. R. T., Silva, A. C., and Gattass, M. (2020). Tear film classification in interferometry eye images using phylogenetic diversity indexes and ripley’s k function. IEEE Journal of Biomedical and Health Informatics, 24(12):3491–3498.
da Cruz, L. B., Souza, J. C., de Sousa, J. A., Santos, A. M., de Paiva, A. C., de Almeida, J. D. S., Silva, A. C., Junior, G. B., and Gattass, M. (2020). Interferometer eye image classification for dry eye categorization using phylogenetic diversity indexes for texture analysis. Computer Methods and Programs in Biomedicine, 188:105269.
Davidson, I. (2002). Understanding k-means non-hierarchical clustering. Computer Science Department of State University of New York (SUNY), Albany.
Doane, M. G. (1989). An instrument for in vivo tear film interferometry. Optometry and Vision Science, 66(6):383–388.
Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., Uszkoreit, J., and Houlsby, N. (2020). An image is worth 16x16 words: Transformers for image recognition at scale. CoRR, abs/2010.11929.
G. Villaverde, D., Remeseiro, B., Barreira, N., G. Penedo, M., and Mosquera, A. (2014). Feature selection applied to human tear film classification. In Proceedings of the 6th International Conference on Agents and Artificial Intelligence Volume 1, ICAART 2014, pages 395–402, Portugal. SCITEPRESS Science and Technology Publications, Lda.
Gedraite, E. S. and Hadad, M. (2011). Investigation on the effect of a gaussian blur in image filtering and segmentation. In Proceedings ELMAR-2011, pages 393–396.
Huang, G., Liu, Z., and Weinberger, K. Q. (2016). Densely connected convolutional networks. CoRR, abs/1608.06993.
Júnior, D. D., Cruz, L., Diniz, J., Júnior, G. B., and Silva, A. (2021). Classificação automática de glóbulos brancos usando descritores de forma e textura e extreme gradient boosting. In Anais do XXI Simpósio Brasileiro de Computação Aplicada à Saúde, pages 95–106, Porto Alegre, RS, Brasil. SBC.
Koonce, B. and Koonce, B. (2021). Resnet 50. Convolutional Neural Networks with Swift for Tensorflow: Image Recognition and Dataset Categorization, pages 63–72.
Leite, F., Almeida, J., Teixeira, J., Cruz, L., Junior, G., and Paiva, A. (2020). Planejamento cirúrgico de estrabismo horizontal utilizando Árvore de regressão de múltiplas saídas. In Anais do XX Simpósio Brasileiro de Computação Aplicada à Saúde, pages 356–367, Porto Alegre, RS, Brasil. SBC.
Marculino, L. G. C., Hazarbassanov, R. M., Hazarbassanov, N. G. T. d. Q., Hirai, F., Milhomens Filho, J. A. P., Wakamatsu, T. H., and Gomes, J. A. (2022). Prevalence and risk factors for dry eye disease: the sao paulo dry eye study. Arquivos Brasileiros de Oftalmologia, 85:549–557.
Messmer, E. M. (2015). The Pathophysiology, Diagnosis, and Treatment of Dry Eye Disease. Dtsch Arztebl International, 112(5):71–82.
Panetta, K., Zhou, Y., Agaian, S., and Jia, H. (2011). Nonlinear unsharp masking for mammogram enhancement. IEEE Transactions on Information Technology in Biomedicine, 15(6):918–928.
Pereira, R., Matos, C., Diniz, J., Junior, G. B., de Almeida, J., Silva, A., and de Paiva, A. (2016). Abordagem deep learning para classificação de lesões mamárias. In Anais do XVI Workshop de Informática Médica, pages 2597–2600, Porto Alegre, RS, Brasil. SBC.
Quintana, G. I., Li, Z., Vancamberg, L., Mougeot, M., Desolneux, A., and Muller, S. (2023). Exploiting patch sizes and resolutions for multi-scale deep learning in mammogram image classification. Bioengineering, 10(5):534.
Remeseiro, B., Oliver, K. M., Tomlinson, A., Martin, E., Barreira, N., and Mosquera, A. (2015). Automatic grading system for human tear films. Pattern Analysis and Applications, 18(3):677–694.
Simonyan, K. and Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
Stapleton, F., Alves, M., Bunya, V. Y., Jalbert, I., Lekhanont, K., Malet, F., Na, K.-S., Schaumberg, D., Uchino, M., Vehof, J., Viso, E., Vitale, S., and Jones, L. (2017). Tfos dews ii epidemiology report. The Ocular Surface, 15(3):334 – 365. TFOS International Dry Eye WorkShop (DEWS II).
Tan, M. and Le, Q. V. (2021). Efficientnetv2: Smaller models and faster training. CoRR, abs/2104.00298.
VOPTICAL GCU, V. (2017). optical dataset acquired and annotated by optometrists from the department of life sciences, glasgow caledonian university (uk), 2013. [link].
Publicado
25/06/2024
Como Citar
DIAS JUNIOR, Domingos A.; CRUZ, Luana B. da; DINIZ, João O. B..
Classificação da Camada Lipídica do Filme Lacrimal usando K-Means e Deep Learning. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 24. , 2024, Goiânia/GO.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 1-12.
ISSN 2763-8952.
DOI: https://doi.org/10.5753/sbcas.2024.1500.
