Detecção e Segmentação Automática de Estruturas em Imagens de Exames Oftalmológicos
Resumo
Este artigo propõe um método semiautomático para segmentar lesões em imagens da córnea, visando auxiliar os especialistas no monitoramento da evolução da lesão. Tais lesões podem ser categorizadas como patologias que afetam a estrutura ocular na forma de ulceração, infecção, erosão ou algum outro tipo de trauma. Assim, o método proposto utiliza regiões marcadas pelo especialista para treinar o classificador Random Forest e o agrupador semisupervisionado Seed Fuzzy C-means. Na extração de atributos, foi realizado agrupamentos de pixels com textura similar, chamado superpixel. Assim, foi obtido bons resultados com as métricas sensibilidade: 99,48% e similaridade Dice: 80,03%. Por fim, concluimos que os resultados mostraram que o classificador Random Forest obteve um melhor desempenho.
Referências
Dice, L. R. (1945). Measures of the amount of ecologic association between species. Ecology, 26(3):297–302.
Hajer, J., Kamel, H., and Noureddine, E. (2006). Blood vessels segmentation in retina image using mathematical morphology and the stft analysis. In International Conference on Information & Communication Technologies, pages 1130–1134. IEEE.
Haralick, R. M., Shanmugam, K., et al. (1973). Textural features for image classification. IEEE Transactions on systems, man, and cybernetics, (6):610–621.
Ho, T. K. (1995). Random decision forests. In Proceedings of 3rd international conference on document analysis and recognition, volume 1, pages 278–282. IEEE.
Lima, P., Veras, R., Leite, D., Tales, W., and Mendes, F. (2018). Avaliação de classificadores como método de segmentação de les˜oes na córnea. In Anais da IV Escola Regional de Informática do Piauí, pages 91–96. SBC.
Lima, P. V., de MS Veras, R., Vogado, L. H., Portela, H. M., de Almeida, J. D., Aires, K. R., and Leite, D. (2020). A semiautomatic segmentation approach to corneal lesions. Computers & Electrical Engineering, 84:106625.
Nayak, D. R., Dash, R., and Majhi, B. (2016). Brain mr image classification using twodimensional discrete wavelet transform and adaboost with random forests. Neurocomputing, 177:188–197.
Santos, L., Veras, R., Aires, K., et al. (2018). Medical image segmentation using seeded fuzzy c-means: A semi-supervised clustering algorithm. In 2018 International Joint Conference on Neural Networks, pages 1–7. IEEE.
Tang, Z., Su, Y., Er, M. J., Qi, F., Zhang, L., and Zhou, J. (2015). A local binary pattern based texture descriptors for classification of tea leaves. Neurocomputing, 168:1011– 1023.
Wang, L., Zhang, K., Liu, X., Long, E., Jiang, J., An, Y., Zhang, J., Liu, Z., Lin, Z., Li, X., et al. (2017). Comparative analysis of image classification methods for automatic diagnosis of ophthalmic images. Scientific reports, 7:41545.
