Metodologia para Identificação de Glaucoma em Imagens de Retina
Resumo
Glaucoma é uma doença que danifica o nervo óptico. Ela é consi- derada a segunda principal causa de cegueira no mundo. Vários sistemas de diagnóstico automático têm sido propostos. No entanto, esses sistemas não fo- ram capazes de lidar com uma grande diversidade de imagens. Portanto, tais métodos não são viáveis para uso em programas de triagem. Realizamos um ex- tenso estudo para definir o melhor conjunto de atributos para a representação da imagem. No total, avaliamos 16.469 caracterı́sticas. Nossa abordagem de detecção de glaucoma usa descritores de textura e Redes Neurais Convolucio- nais (CNNs). Avaliamos nossa proposta em um total de 873 imagens de quatro bancos de dados públicos e concluı́mos que a junção da GLCM e CNNs pré- treinadas juntamente com o uso do classificador Random Forest são promisso- res na detecção desta patologia, obtendo uma acurácia de 93,35% e um ı́ndice Kappa considerado Excelente.
Referências
Claro, M., Santos, L., Silva,W., Araújo, F., Moura, N., and Macedo, A. (2016). Automatic glaucoma detection based on optic disc segmentation and texture feature extraction. CLEI Electronic Journal, 19(2):5–5.
Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., and Witten, I. H. (2009). The weka data mining software: an update. ACM SIGKDD explorations newsletter, 11(1):10–18.
Kotyk, T., Chakraborty, S., Dey, N., Gaber, T., Hassanien, A. E., and Snasel, V. (2016). Semi-automated system for cup to disc measurement for diagnosing glaucoma using classification paradigm. In Proceedings of the Second International Afro-European Conference for Industrial Advancement, pages 653–663. Springer.
Landis, J. R. and Koch, G. G. (1977). The measurement of observer agreement for categorical data. biometrics, pages 159–174.
Mittapalli, P. S. and Kande, G. B. (2016). Segmentation of optic disk and optic cup from digital fundus images for the assessment of glaucoma. Biomedical Signal Processing and Control, 24:34–46.
Orlando, J. I., Prokofyeva, E., del Fresnob, M., and Blaschko, M. (2017). Convolutional neural network transfer for automated glaucoma identification. In 12th International Symposium on Medical Information Processing and Analysis, pages 101600U–101600U. International Society for Optics and Photonics.
Powers, D. M. (2007). Evaluation: From precision, recall and f-factor to roc, informedness, markedness & correlation, school of informatics and engineering, flinders university, adelaide, australia. Technical report, TR SIE-07-001, Journal of Machine Learning Technologies 2: 1 37-63.
Quigley, H. A. and Broman, A. T. (2006). The number of people with glaucoma worldwide in 2010 and 2020. British journal of ophthalmology, 90(3):262–267.
Quinlan, J. R. (1986). Induction of decision trees. Machine learning, 1(1):81–106.
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.
