Diagnóstico de Glaucoma em Imagens de Fundo de Olho utilizando os Índices de Diversidade de Shannon e McIntosh

• José Denes L. Araújo UFMA
• Anselmo C. de Paiva UFMA
• João D. S. de Almeida UFMA
• Otilio Paulo S. Neto UFMA
• Jefferson A. de Sousa UFMA
• Aristófanes C. Silva UFMA
• Geraldo Braz Júnior UFMA

DOI: https://doi.org/10.5753/sbcas.2017.3698

Resumo

O glaucoma é uma doença ocular assintomática nos estágios iniciais que se não tratada pode levar a cegueira. Na maioria dos casos provoca um aumento da pressão dentro do olho (pressão intraocular) causando lesões no nervo óptico. O uso de técnicas de processamento de imagens para a análise de imagens do fundo do olho auxiliam os especialistas no diagnóstico do glaucoma, prevenindo assim a perda de visão. Neste trabalho é proposto um método para diagnóstico do glaucoma em imagens de fundo de olho utilizando os índices de diversidade de Shannon e McIntosh como descritores dos padrões de textura e support vector machine (SVM) para classificação. A aplicação dos índices de Shannon e McIntosh como descritores de textura mostrou-se eficaz alcançando como melhor resultado uma acurácia média de 88,35%, uma sensibilidade média de 84,50% e uma especificidade média de 91,37%.

Referências

Acharya, U. R., Ng, E. Y. K., Eugene, L. W. J., Noronha, K. P., Min, L. C., Nayak, K. P., and Bhandary, S. V. (2014). Decision support system for the glaucoma using Gabor transformation. Biomedical Signal Processing and Control, 15:18–26.

Banić, N. and Lončarić, S. (2013). Light random sprays retinex: Exploiting the noisy illumination estimation. IEEE Signal Processing Letters, 20(12):1240–1243.

CBO (2017). Glaucoma. [link]. (Acesso em 26 fev. 2017).

Chang, C.-C. and Lin, C.-J. (2011). LIBSVM: A library for support vector machines. ACM Transactions on Intelligent Systems and Technology, 2:27:1–27:27.

Chimieski, B. F. and Fagundes, R. D. R. (2013). Association and classification data mining algorithms comparison over medical datasets. Journal of health informatics, 5(2).

Duda and Hart (1973). Pattern classification and scene analysis. John Wiley.

Faust, O., Acharya, R., Ng, E. Y.-K., Ng, K.-H., and Suri, J. S. (2012). Algorithms for the automated detection of diabetic retinopathy using digital fundus images: a review. Journal of medical systems, 36(1):145–157.

Gajbhiye, G. O. and Kamthane, A. N. (2015). Automatic classification of glaucomatous images using wavelet and moment feature. In 2015 Annual IEEE India Conference (INDICON), pages 1–5.

Haleem, M. S., Han, L., van Hemert, J., and Fleming, A. (2015). Glaucoma classification using regional wavelet features of the onh and its surroundings. In Engineering in Medicine and Biology Society (EMBC), 2015 37th Annual International Conference of the IEEE, pages 4318–4321. IEEE.

Lin, S. C., Singh, K., Jampel, H. D., Hodapp, E. A., Smith, S. D., Francis, B. A., Dueker, D. K., Fechtner, R. D., Samples, J. S., Schuman, J. S., et al. (2007). Optic nerve head and retinal nerve fiber layer analysis: a report by the american academy of ophthalmology. Ophthalmology, 114(10):1937–1949.

Marrugan, A. (2004). Measuring biological diversity. Victoria, Australia: Blackwell Scienc Ltd a Blackwell Publishing company.

McIntosh, R. P. (1967). An index of diversity and the relation of certain concepts to diversity. Ecology, 48(3):392–404.

Melo, A. S. (2008). O que ganhamos confundindo riqueza de espécies e equabilidade em um índice de diversidade. Biota Neotropica, 8(3):21–27.

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.

SBG (2009). 3a consenso brasilleiro de glaucoma de ângulo aberto. [link]. (Acesso em 01 mar. 2017).

Shannon, C. E. (1949). W. weaver the mathematical theory of communication. Urbana: University of Illinois Press, 29.

Sousa, J. A. d., Almeida, J. D. S., Paiva, A. C. d., Silva, A. C., and Gattass, M. (2016). Diagnóstico de glaucoma em retinografias baseado em geoestatística. Journal of Health Informatics, 8:737–746.

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.

Vapnik, V. (1998). Statistical Learning Theory. Wiley New York.

WGA (2017). What is glaucoma? [link]. (Acesso em 17 mar. 2017).

Zhuang, L. and Dai, H. (2006). Parameter optimization of kernel-based one-class classifier on imbalance learning. Journal of Computers, 1(7):32–40.