Optic Disc Detection in Retinal Images Using Algorithms Committee with Weighted Voting

Transcrição

1 Optic Disc Detection in Retinal Images Using Algorithms Committee with Weighted Voting R. R. V. e Silva, F. H. D. de Araújo, L. M. R. dos Santos, R. M. S. Veras and F. N. S. de Medeiros 1 Abstract This paper presents a new method for Optic Disc (OD) detection in color retinal images. Fundus image processing and analysis are relevant tasks to help specialists in detecting eye diseases. Particularly, OD identification, in funds image, improves significantly eye disease detection. In fact, OD location may be used as algorithm input to detect anatomical structures of the retina such as macula, fovea, blood vessels as well as anomalies such as exudates, hemorrhages and drusen. These abnormalities may be signs of eye disorders and thus help specialist to treat and prevent ophthalmologic complications and vision loss. Here, we have implemented five state-of-the-art OD detection methods and created a committee of algorithms. Unlike other proposals based on simple majority vote, the output of the proposed committee is established in terms of weighted voting. In order to define the weights, we use part of available image databases to calculate the success rate of each method. Tests were carried out on six public benchmark databases, which constitute a total of 1566 images. Keywords retinal images, optic disc, automatic detection, algorithms committee. R I. INTRODUÇÃO ECENTES avanços na aquisição e processamento de imagens digitais tornaram possível utilizar imagens médicas no tratamento de diversas patologias. Isso levou a um interesse no desenvolvimento de sistemas automáticos de diagnóstico médico, conhecidos como sistemas de Diagnóstico Auxiliado por Computador (CAD Computer Aided Diagnosis). Estudos sobre sistemas CAD mostram que eles podem auxiliar médicos a medir estruturas anatômicas importantes, monitorar mudanças pela comparação de imagens sequenciais, diagnosticar e planejar o melhor tratamento. Esses sistemas também aliviam o trabalho repetitivo, prevenindo erros por fadiga e aumentando a eficiência no trabalho. As aplicações de CAD mais estabelecidas em áreas médicas envolvem uso de sistemas automatizados em mamografia, tomografia computadorizada de tórax e radiografia [1]. Imagens digitais da retina podem prover informações sobre mudanças patológicas causadas por doenças oculares ou por doenças sistemáticas como a hipertensão, a arteriosclerose e o diabetes mellitus [2,3]. A identificação de doenças do olho humano através de técnicas de processamento de imagens vem sendo utilizada cada vez mais em aplicações de detecção de alterações estruturais na retina e de doenças como a Retinopatia Diabética, Edema Macular e Glaucoma. A descoberta precoce dessas doenças torna o tratamento mais eficaz. A análise e interpretação de imagens da retina vêm se tornando um auxílio importante para o diagnóstico de doenças. Além disso, tais sistemas seriam de grande ajuda para pacientes diabéticos que poderiam ser avaliados remotamente a baixo custo. Outra possível aplicação seria em ensino-aprendizagem para estudantes e profissionais da área. Uma das principais estruturas da retina é o Disco Óptico (DO), sendo a porção do nervo óptico vista no fundo dos olhos. Ele é formado pelo encontro de todos os axônios das células ganglionares da retina assim que penetram no nervo óptico. O DO é uma estrutura circular que apresenta uma tonalidade rosa-pálido ou esbranquiçada e bordas bem definidas. Ele está localizado no lado nasal da retina e seu diâmetro físico médio é de cerca de 1,5mm [4]. A Fig. 1 mostra uma imagem de fundo ocular normal. O DO constitui a parte mais brilhante da retina e também a região de convergência dos vasos. Em uma imagem de retina normal, todas estas propriedades (forma, cor, tamanho e convergência dos vasos) contribuem para a identificação do disco óptico. 1 R. R. V. e Silva, Universidade Federal do Piauí (UFPI), Picos, Piauí, Brasil; Universidade Federal do Ceará, Fortaleza, Ceará, Brasil, romuere@ufpi.edu.br. F. H. D. de Araújo, Universidade Federal do Piauí (UFPI), Picos, Piauí, Brasil; Universidade Federal do Ceará, Fortaleza, Ceará, Brasil, flavio86@ufpi.edu.br. L. M. R. dos Santos, Universidade Federal do Piauí (UFPI), Teresina, Piauí, Brasil, luckasmoreno@hotmail.com. R. de M. S. Veras, Universidade Federal do Piauí (UFPI), Teresina, Piauí, Brasil, rveras@ufpi.edu.br. F. N. S. de Medeiros, Universidade Federal do Ceará, Fortaleza, Ceará, Brasil, fsombra@ufc.br. Figura 1. Imagem da retina humana e suas principais estruturas. A localização do disco óptico é um importante marcador na análise de imagem da retina, podendo ser utilizado como

2 ponto de partida para rastrear os vasos. O valor de seu diâmetro serve como referência para a medição de distâncias em imagens de retina. Em caso de pacientes diabéticos, a remoção da região do DO na imagem leva a uma diminuição no número de falsos positivos. Isso pode ser comprovado no diagnóstico de lesões como exsudatos 2. Informações sobre o diâmetro do DO podem ser utilizadas para analisar a gravidade de algumas doenças, tais como o glaucoma. O glaucoma é a causa de cegueira mais frequente no mundo, sendo ainda a segunda causa mundial de cegueira irreversível bilateral, apesar de ser uma doença tratável. Aproximadamente 66,8 milhões de pessoas são portadoras de glaucoma primário de ângulo aberto e aproximadamente 10% desta população irão se tornar cegos de ambos os olhos devido a esta doença [5]. Por isso a necessidade de um diagnóstico mais rápido e preciso para a sua detecção em seus estágios iniciais. O glaucoma causa degeneração progressiva das fibras do nervo óptico. Essas mudanças levam a um alargamento maior da escavação (parte mais interna) se comparado ao alargamento do disco óptico, e são identificadas usando a relação do diâmetro da escavação e do disco (cup-to-disk diameter ratio- CDR). Um elevado valor do CDR indica a presença de glaucoma no paciente. Neste trabalho foram implementados 5 métodos de detecção automática do DO presentes na literatura. Em seguida, foi calculado o desempenho de cada um desses métodos em diferentes bases de imagens. Por fim, o desempenho obtido por cada método foi utilizado na criação de um comitê de votação ponderada para a detecção do DO. Na Seção II temos o estado da arte levantado neste trabalho. Na Seção III apresentamos os cinco métodos que foram selecionados para o comitê proposto, bem como as bases de imagens utilizadas para avaliação dos resultados. Já na Seção IV é descrita uma nova proposta para detecção do DO. Na Seção V são demonstradas as métricas de avaliação, bem como os resultados e discussão. Por fim, na Seção VI apresentamos as conclusões e os trabalhos futuros. II. ESTADO DA ARTE A detecção automática de estruturas da retina, em particular a detecção do DO, tornou-se objeto de estudo de muitos pesquisadores [6]. Tais pesquisas são inspiradas principalmente pelas características bem definidas das estruturas do olho humano. Em relação ao DO, pode-se citar sua forma circular e brilho relativamente elevado quando comparado com outras regiões. Recentemente, outras abordagens têm sido propostas, e estas exploraram a informação da estrutura dos vasos pelo fato dos vasos mais calibrosos da retina terem origem no disco óptico [2]. Em suma, podemos afirmar que as principais abordagens são baseadas em características locais (principalmente, de cor e textura) [7], em casamento de padrões [8] e em abordagem geográfica [9]. Os primeiros algoritmos propostos para a detecção do disco óptico utilizavam a abordagem baseada em características locais. Esses algoritmos, geralmente, assumiam que a variação dos níveis de cinza da região do DO era maior do que em qualquer outra parte da imagem. O DO era, dessa forma, localizado como sendo o maior agrupamento de pixels claros da imagem. Algoritmos que levam em consideração apenas a variação de intensidade são simples, rápidos e razoavelmente robustos na localização do DO. Contudo, é possível observar que sua eficiência se dá principalmente em imagens de retina saudáveis e em bases com pouca variação de imagens. Logo, um DO preenchido pela incidência de vasos sanguíneos ou apenas parcialmente visíveis pode não ser identificado por esse tipo de método. A abordagem baseada em casamento de padrões considera a descrição do DO, em função de suas propriedades de cor, textura e forma, e a busca da região da imagem mais similar a esse modelo. Essa estratégia funciona bem apenas quando não há anomalias na imagem, como, por exemplo, grandes lesões por presença de exsudatos. A abordagem geográfica baseia-se, sobretudo, na informação fornecida pela estrutura dos vasos, isto é, no fato de todos os vasos da retina originarem-se no disco óptico. Embora a detecção dos principais vasos seja uma operação complexa, a relação geométrica entre o disco e os vasos pode ser utilizada para identificar a localização do disco. Outras estratégias combinam mais de uma das abordagens mencionadas. Em [11], os autores determinam a região de interesse por limiarização (abordagem baseada em características) para em seguida definirem as coordenadas do centro do disco com base na localização dos vasos (abordagem geográfica). Vale destacar que estas abordagens são extremamente dependentes da base de imagens utilizada. Cada algoritmo funciona de maneira diferente dependendo das anomalias presentes na imagem. Por esse motivo, a utilização de comitês vem sendo o foco de diversos trabalhos na literatura. O comitê tem por objetivo analisar a saída de vários algoritmos e definir qual deles possui o melhor resultado, ou aquele que mais contribui para encontrar um resultado satisfatório. Harangi et al. [11] propõem um método que consiste em utilizar 5 algoritmos de detecção do DO, sendo eles baseados em: decomposição piramidal, detecção de borda, filtro de entropia, votação fuzzy e transformada de Hough. Os cinco algoritmos são executados e suas saídas são marcadas na imagem. Após o resultado individual de cada algoritmo é realizada uma votação simples para determinação da região do DO. Para cada pixel da imagem um círculo de raio do tamanho de 45 pixels é traçado e é feita uma contagem da quantidade de marcações que estão no interior desse círculo. A proposta de Harangi et al. [11] considera que a região que contiver mais marcações é a região do DO. Os autores realizaram testes em 61 imagens (40 da base DRIVE e outras 21 de uma base local) e relataram uma taxa de 100% de acerto. Contudo, os autores não apresentaram detalhes de qual método de avaliação foi utilizado. Em Kovacs et al. [12] é apresentado um método para a detecção automática do DO e da mácula utilizando uma

3 combinação de cinco algoritmos. Os autores utilizaram os mesmo cinco algoritmos de Harangi et al. [11]. Os critérios para a seleção dos algoritmos candidatos a serem combinados é baseado em seu desempenho, precisão e tempo de execução. As saídas dos algoritmos detectores são representadas por um grafo ponderado completo. Os pesos de cada nó são calculados como a soma de medições baseadas na distância e ângulo de todas as arestas incidentes ligadas a esse nó específico. Os piores vértices do grafo são removidos através de um procedimento de poda. Os testes de desempenho do algoritmo foram realizados nas bases DIARETDB0, DIARETDB1 e DRIVE e, segundo os autores, em 97% das imagens a marcação do método esteve dentro da região do DO. Porém, Harangi et al. [11] não definiram como essa região do DO foi estabelecida. Com o objetivo de melhorar o desempenho do sistema proposto em [11], em Harangi et al. [13] propuseram um método que atribui pesos a cada candidato com base na prioridade sugerida pelos algoritmos. Os possíveis candidatos a DO são ponderados como vértices de um grafo. Em seguida, é feita a etapa de ajustes dos pesos, um subgrafo é analisado com uma quantia máxima de pesos que será considerado o DO. Os autores relataram um taxa de acerto de 98,46% em imagens da base DIARETDB0 e 98,87% em imagens da base DIARETDB1. O método de Quereshi et al. [14] apresenta um algoritmo para localização do DO que envolve o conhecimento do domínio anterior, tal como o tamanho do disco óptico, razão entre a área do disco óptico e sua escavação (parte interna do DO) e convergência dos vasos para avaliar o nível de confiança para a região candidata em cada nível de limiar. Com base no nível de confiança calculado, o algoritmo decide se deve ou não optar por uma política que faz uso de vários ou de um único método para determinar o candidato a DO. A principal contribuição desse trabalho foi melhorar a detecção automática do DO utilizando um comitê de segmentadores para combinar diferentes algoritmos pertencentes a cada uma das três abordagens especificadas. Por fim, para mostrar a robustez do algoritmo desenvolvido, utilizamos 6 bases de imagens públicas para comparar os resultados obtidos pelo o comitê e por cada algoritmo individualmente. III. MATERIAIS E MÉTODOS A. Métodos utilizados no comitê A seguir são expostos cinco métodos de detecção do DO. Os métodos possuem diferentes abordagens, além de possuírem altas taxas de sucesso. 1) Método de Akram et al. [15]: nesse trabalho foi introduzido um método automático de detecção do DO em imagens de retina, em que o algoritmo aplica o filtro da média na banda verde do modelo de cores RGB para remover o ruído de fundo. Como a região do DO é considerada a porção mais clara da retina, foram localizados os pixels com maior valor de nível de cinza no histograma da imagem, classificando-os assim como uma região de interesse (Region of Interest - ROI). O DO é selecionado dentro da ROI pela aplicação da Transformada de Hough Circular (Circular Hough Transform - CHT). Para isso, os autores utilizaram o operador de Canny na detecção de bordas. Os testes foram conduzidos na base DRIVE (40 imagens), STARE (20 imagens), DIARETDB0 (130 imagens) e DIARETDB1 (89 imagens). A decisão sobre sucesso ou falha foi baseada em observação de especialistas e a taxa de sucesso alcançada foi de 96,7%. 2) Método de Rajaput et al. [16]: esse trabalho apresentou um método de localização da fóvea em imagens coloridas de retina, que considera um conhecimento a priori do diâmetro e centro do DO. Em virtude dessa informação, os autores propuseram um método de detecção do DO. Com este objetivo, os autores aplicaram uma equalização de histograma no canal vermelho do modelo de cores RGB para realçar o contraste. Em seguida, tomaram a imagem invertida e as áreas de mínima intensidade são identificadas utilizando a transformada H. Foi definido empiricamente o valor de h (altura limite) como 20 pixels. O resultado desse processamento é uma imagem binária com os pixels brancos representando as regiões de mínima intensidade da imagem original. Essas regiões de mínimo são pixels conectados e que possuem o mesmo valor de intensidade cujos pixels da borda externa possuem um valor de intensidade mais alto. Para eliminar falsas regiões localizadas, os autores aplicaram uma abertura morfológica com um elemento estruturante no formato de disco com diâmetro de 8 pixels. Por fim, a média de intensidades de cor é calculada para identificar e selecionar as regiões com menor média de intensidade como a região do DO. Os testes foram realizados em 33 imagens da base DRIVE, porém, não há relato no trabalho sobre a quantidade de erros e acertos do método de detecção do DO. 3) Método de Sekar e Nagarajan [17]: nesse trabalho os autores propuseram um método de localização do DO com o uso de histograma e técnicas de agrupamento. Nesse método, o primeiro passo consiste em determinar as regiões candidatas a serem DO realizando um agrupamento dos pixels mais claros na banda vermelha do modelo de cor RGB da imagem. Dentre as regiões candidatas resultantes do processo de agrupamento, três são selecionadas. Essa seleção é realizada na banda verde do modelo RGB e utilizando três métodos independentes, a saber: método da máxima diferença; método da máxima variância; e, método do filtro Gaussiano passa baixa. Baseados nas características do histograma na banda azul dos três candidatos selecionados, Sekar e Nagarajan selecionam uma sub-janela em cada um dos três candidatos. O centro da sub-janela que possuir o maior número de pixels claros é escolhido como centro do DO. A validação do algoritmo proposto foi realizada na base MESSIDOR. Os autores relatam que o algoritmo foi capaz de detectar o DO em 1194 imagens das 1200 da base de imagens. Esse resultado produz uma taxa de sucesso de 99,50%. Porém, não há no artigo uma descrição da metodologia de avaliação adotada. 4) Método de Punolil [18]: nesse trabalho foi apresentado um sistema automatizado para detecção e classificação de gravidade do edema macular. Para isso, o centro do DO foi detectado e a região da fóvea foi localizada utilizando as informações das arcadas vasculares superiores e inferiores da retina. Para detecção do DO, Punolil aplicou um operador de

4 fechamento morfológico no canal verde da imagem com um elemento estruturante octagonal de raio 15. Isso foi feito com o objetivo de eliminar os vasos sanguíneos da região do DO. Um operador de vizinhança em coluna foi aplicado usando uma janela de tamanho 11x11. A imagem resultante foi binarizada com um valor de limiar de 0,95. Tal valor foi escolhido a partir de uma estimativa interativa para cada imagem. Por fim, o centro da região resultante da binarização é fixado como sendo o centro do DO. Os testes foram realizados em 251 imagens das bases DRIVE, STARE e DIARETDB0 porém, não há relato no trabalho sobre a quantidade de erros e acertos do método de detecção do DO. 5) Método de Zubair et al. [19]: nesse trabalho foi proposto um método para detecção de DO que inicialmente seleciona o canal verde em imagem colorida de retina. Posteriormente, é feita uma equalização do histograma para melhorar as características da imagem. O passo seguinte é um alongamento do contraste utilizando uma operação morfológica de erosão para remover os candidatos que não são DO. Por fim é feita uma dilatação com elemento estruturante próximo ao tamanho do DO, o candidato que possuir maior contraste em relação aos outros candidatos detectados é escolhido como o DO. O método foi avaliado na base MESSIDOR e os autores relataram 96,65% de acurácia. B. Bases de imagens Para avaliar o desempenho dos algoritmos foram utilizadas seis bases de imagens. Tais bases apresentam imagens de diferentes formatos, com várias patologias. Além disso, possuem características diferentes como luminosidade, tamanho, posição e raio do DO definidos manualmente por especialistas. A base DRIVE [20] (Digital Retinal Images for Vessel Extraction) foi criada pelo Image Sciences Institute da University Medical Center Utrecht com o objetivo de auxiliar os estudos comparativos em segmentação de vasos sanguíneos na retina. As imagens foram capturadas em formato digital por uma câmera não midriática Canon CR5 3CCD com um campo de vista de 45. Estas imagens possuem dimensões de 768 x 584 pixels, utilizam oito bits por canal de cor e estão no formato JPEG. Esta base consiste de 40 fotografias de fundo de olho. Dentre as 40 fotografias, 33 não apresentam nenhum sinal de retinopatia diabética e 7 apresentam sinais de retinopatia não-proliferativa moderada, não havendo informações sobre a localização das lesões nas imagens. A Fig. 2 representa uma imagem da base DRIVE. Figura 2. Imagem da Base DRIVE. com idade média de 53 anos, 23,1% dos pacientes possuem glaucoma crônico simples e 76,9% hipertensão ocular. As imagens foram obtidas com uma câmera de fundo de olho analógica, posteriormente foram digitalizadas utilizando um scanner de alta resolução HP-PhotoSmart-S20, em formato RGB, com resolução 600 x 400. A base é composta por 110 imagens. A Fig. 3 apresenta uma imagem da base DRIONS- DB. As imagens da base ARIA [22] (Automated Retinal Image Analysis) foram obtidas de uma câmera Zeiss FF450+ sob o formato TIFF não comprimido e utilizam 8 bits por canal de cor. A base ARIA contém uma vasta diversidade de patologias nas imagens o que aumenta a dificuldade no desenvolvimento de algoritmos robustos para detecção do DO e da fóvea. Essa base possui imagens com variações grandes de luminosidade, o que constitui outro fator de dificuldade de processamento das mesmas. A base possui um total de 116 imagens sendo 61 de retinas saudáveis e 55 de retinas com alguma patologia. A Fig. 4 mostra uma imagem da base ARIA. Figura 3. Imagem da Base DRIONS-DB. Figura 4. Imagem da Base ARIA. A base STARE [23] (Structured Analysis of the Retina) faz parte de um projeto iniciado na Universidade da Califórnia em 1975 para análise de imagens de retina. A base é composta de 402 slides digitalizados e capturados com a câmera TopCon TRV-50 com uma angulação de 35 com relação ao campo de vista. Os slides foram digitalizados para um formato de 700x605 pixels e utilizam oito bits por canal de cor. Apesar da existência de informações sobre as patologias, não há, nas imagens, a identificação dos padrões (localização, por exemplo) que levaram ao diagnóstico indicado. Neste trabalho, para testar a eficiência dos métodos de detecção do disco óptico foi obtida manualmente a verdade terrestre para um subconjunto composto de 103 imagens da base STARE. Este subconjunto é formado por 36 imagens de retinas saudáveis e 67 imagens de retinas que exibem uma larga variedade de lesões e outros sintomas de doenças. A Fig. 5 mostra uma imagem da base STARE. A base DRIONS-DB [21] (Digital Retinal Images for Optic Nerve Segmentation Database) foi obtida a partir de pacientes

5 conjunto de dados composto por um total de 101 imagens. Estas foram divididas em dois conjuntos: treino (50 imagens) e teste (51 imagens). A Fig. 7 exibe uma imagem da base DRISHTI. Figura 5. Imagem da Base STARE. A base MESSIDOR [24] (Methods to evaluate segmentation and indexing techniques in the field of retinal opthamology) foi criada com o objetivo de facilitar estudos para diagnóstico de retinopatia diabética auxiliado por computador. As imagens foram capturadas com uma câmera de vídeo TopCon TRC-NWC com uma angulação de 45 com relação ao campo de visão e possuem 8 bits por canal de cor. Esta base é composta por um total de 1200 imagens, 800 imagens apresentam dilatação de pupila e outras 400 não. As imagens estão divididas em três conjuntos de dados e possuem dimensões de , e pixels. A Fig. 6 apresenta uma imagem da base MESSIDOR. IV. MÉTODO PROPOSTO O DO geralmente aparece nas imagens de retina como a região mais clara, aonde há uma rápida variação na intensidade dos pixels adjacentes, quando comparada a outras regiões da imagem. Essa propriedade é utilizada por autores que propõem métodos para detecção do DO. Variações nas imagens causadas por problemas na aquisição (luminosidade não uniforme, por exemplo) ou pela presença de exsudatos prejudicam a acurácia desses métodos. No entanto, a implementação do novo método de detecção do DO foi baseado em uma técnica denominada comitê. Essa técnica faz a união dos resultados obtidos pelos algoritmos citados na Seção III. O objetivo é obter uma melhor taxa de sucesso mesmo em imagens com características diversas. O algoritmo desenvolvido pode ser dividido em duas etapas: a etapa de treinamento onde é feita uma análise de cada método individualmente e a etapa de teste na qual é aplicado o comitê e feita a escolha do candidato a DO. A Fig. 8 mostra o fluxograma do método proposto. Figura 6. Imagem da Base MESSIDOR. As imagens da base DRISHTI [25] foram obtidas centradas no DO com um campo de visão (FOV) de 30 graus e dimensões de 2896 x 1944 pixels em formato PNG. Todas as imagens foram marcadas por quatro especialistas com diferentes níveis de experiência clínica. Ela contém um Figura 7. Imagem da Base DRISHTI. Figura 8. Fluxograma do método proposto.

6 A. Cálculo dos pesos A etapa de cálculo dos pesos consiste em calcular a taxa de sucesso de cada um dos cinco métodos que compõem o comitê. Para realizar essa operação é selecionada uma porcentagem das imagens aleatoriamente. Neste trabalho avaliamos os métodos que compõem o comitê utilizando dois grupos: um com 20% e outro 40% das imagens de cada base. Para cada uma das imagens selecionadas foi determinado se houve sucesso ou falha, dessa forma a taxa de sucesso do algoritmo ( T i ) é dada pela Equação 1.. (1) A literatura define a localização do disco óptico como a identificação das coordenadas do centro do disco. Tobin et al. [26] introduziram uma metodologia simples para verificação do desempenho de métodos de detecção do DO. Essa metodologia compara a coordenada estimada pelo algoritmo (, ) com a coordenada que foi manualmente identificada como sendo o centro do DO (, ) por um ou mais especialistas. A metodologia de avaliação verifica a estimação das coordenadas através da desigualdade dada por: 1, (2) onde R representa o raio do DO máximo para cada base de imagens. A abordagem rotula o resultado como sucesso se a Equação 2 for válida. As coordenadas do centro e o raio máximo do DO para cada imagem foram obtidos a partir do contorno delineado nas imagens de verdade-terrestre. Na base DRIVE o raio máximo possui tamanho de 40 pixels, na base DRIONS 63, na base STARE 60, na ARIA 55 pixels, na DRISHTI 227 pixels, e por fim, na base MESSIDOR foram utilizados três valores, 70, 104 e 110 pixels. Vale destacar que a base MESSIDOR possui imagens de 3 diferentes tamanhos, que são especificadas na própria descrição da base, por isso foram usados esses três valores de raio. A taxa de sucesso (T i ) funciona como peso do algoritmo i. Intuitivamente, essa escolha fará com que aqueles algoritmos com maiores taxas de acerto contribuam mais na escolha da saída do comitê. Para evitar vícios, foram realizadas dez execuções dos algoritmos, obtendo dez taxas de sucesso para os dois grupos utilizados (grupos com 20% e 40% dos dados). Foi obtida como a taxa de sucesso final a média aritmética dessas execuções, tal valor foi utilizado no cálculo do comitê. B. Comitê de Votação Métodos que utilizam comitê visam melhorar o desempenho da detecção construindo uma combinação de saída de vários métodos detectores. O resultado da combinação em alguns casos é melhor do que o resultado de qualquer algoritmo individual pertencente à combinação. Inicialmente são executados os algoritmos individuais para todas as imagens das bases citadas na Seção III e os resultados são armazenados. Como esses métodos possuem abordagens diversas é natural que diferentes candidatos a DO sejam encontrados como ilustra a Fig. 9. O objetivo inicial do comitê é determinar qual região da imagem terá maior probabilidade de conter o centro do DO, para isso utilizou-se votação. Uma janela ( ) quadrada com lado de comprimento igual a R (Raio do DO) é centralizada em todos os pixels da imagem e as saídas dos algoritmos que estão no interior dessa janela são computadas em TS w segundo a Equação 3. Caso exista empate em diferentes regiões é escolhida aquela onde se localizar o algoritmo com maior taxa de sucesso. (a) (b) Figura 9. a) Imagem contendo o resultado de diferentes algoritmos de detecção do DO. b) Resultado da marcação do método proposto. i W TS W = i T i A janela com maior valor de TS é escolhida como a região do DO ( ). O passo seguinte consiste em determinar as coordenadas (, ) do centro do DO. Os valores dessas coordenadas são calculadas pelas Equações 4 e 5. Essas equações levam em consideração as taxas de acerto dos algoritmos cuja saída (, ) estão contidas na janela escolhida ( ).. 4, onde j representa cada algoritmo. V. RESULTADOS E DISCUSSÕES (3) 5 A avaliação dos resultados foi feita utilizando a métrica de avaliação proposta por Tobin et al. [26]. As Tabelas I e II mostram os pesos obtidos utilizando 20% e 40% das imagens da base como treino, respectivamente. TABELA I PESOS ATRIBUÍDOS PARA CADA MÉTODO UTILIZANDO 20% DAS IMAGENS COMO TREINO Drive Drions Dristh Aria Stare Messidor [15] 0,96 0,99 0,91 0,72 0,59 0,48 [16] 0,70 0,96 1,00 0,44 0,51 0,71 [17] 0,95 0,55 0,90 0,70 0,63 0,96 [18] 0,84 1,00 0,97 0,46 0,53 0,74 [19] 0,55 0,84 0,75 0,50 0,35 0,61 TABELA II PESOS ATRIBUÍDOS PARA CADA MÉTODO UTILIZANDO 40% DAS IMAGENS COMO TREINO Drive Drions Dristh Aria Stare Messidor [15] 0,97 0,99 0,92 0,76 0,61 0,48 [16] 0,61 0,96 1,00 0,43 0,56 0,72 [17] 0,91 0,61 0,91 0,74 0,62 0,90 [18] 0,8 1,00 0,99 0,51 0,58 0,74 [19] 0,56 0,83 0,80 0,54 0,41 0,61

7 A Tabela III exibe os resultados da avaliação de desempenho da detecção do DO em dez execuções juntamente com o desvio padrão para as seis bases de imagens considerando grupos de 40 e 60% dos dados. TABELA III TAXA DE SUCESSO DO ALGORITMO PROPOSTO Máximo Média Mínimo Desvio Padrão DRIVE 20% 92,5% 90,83% 90% 1,27 40% 92,5% 89,16% 87,5% 2,54 DRIONS 20% 100% 99,79% 99,09% 0,47 40% 100% 100% 100% 0 ARIA 20% 75,90% 73,70% 68,71% 3,68 40% 76,90% 75,90% 73,44% 1,78 STARE 20% 66,08% 63,40% 61,17% 2,45 40% 65,98% 65,75% 65,23% 0,38 MESSIDOR 20% 95,28% 95,05% 94,74% 0,27 40% 95,19% 95,10% 95,00% 0,09 DRISHTI 20% 100% 93,55% 90% 5,06 40% 98% 98% 98% 0 De acordo com os resultados exibidos na Tabela III o método proposto para detecção do DO obteve, em 4 bases (DRIVE, DRIONS, MESSIDOR e DRISHTI), uma taxa de sucesso superior a 90%. Na base DRIONS e DRISHTI essa taxa alcançou 100%, o que atesta a eficiência do método. Os piores resultados foram obtidos para as bases ARIA e STARE onde a taxa de sucesso foi de 73,70% e 63,40%, respectivamente. Tais valores foram obtidos devido a baixa taxa de sucesso dos métodos individuais que compõem o comitê nessas bases. Além disso, pode-se observar que essas duas bases possuem muitas áreas com anomalias e variações de iluminação, o que dificulta a detecção do DO. A execução aleatória afeta muitas vezes o desempenho final do algoritmo, algo que pode ser analisado através do desvio padrão, que é uma medida de variação da taxa de sucesso em razão da aleatoriedade. Embora as imagens da base DRIVE, DRIONS e DRISHTI possam incluir algumas lesões patológicas, esta informação não é especificada no conjunto de dados fornecidos. Por outro lado, as bases ARIA, MESSIDOR e STARE contêm informações sobre as imagens da retina com os status de saudável e doente. Neste trabalho, utilizamos essas informações para identificar a sensibilidade do método proposto em presença de patologias. Portanto, a Tabela IV apresenta os resultados da avaliação de imagens saudáveis enquanto que a Tabela V mostra os resultados para as imagens com patologias. TABELA I TAXA DE SUCESSO DO ALGORITMO PROPOSTO EM IMAGENS SAUDÁVEIS Máximo Média Mínimo Desvio Padrão ARIA 20% 91,80% 90,52% 90,16% 0,86 40% 91,80% 89,79% 86,88% 2,47 STARE 20% 88,88% 84,56% 80,55% 4,16 40% 91,66% 91,66% 91,66% 0 MESSIDOR 20% 96,42% 96,06% 95,66% 0,37 40% 96,23% 96,04% 95,85% 0,18 TABELA V Taxa De Sucesso Do Algoritmo Proposto Em Imagens Com Algum Grau De Patologia Máximo Média Mínimo Desvio Padrão ARIA 20% 60% 56,56% 47,27% 6,58 40% 63,63% 61,81% 60% 1,81 STARE 20% 43,28% 42,12% 40,29% 1,50 40% 40,29% 39,80% 38,80% 0,75 MESSIDOR 20% 94,15% 94,04% 93,83% 0,16 40% 94,15% 94,15% 94,15% 0,00 Para fins de comparação dos algoritmos individuais com o método proposto, foi realizada uma avaliação global dos algoritmos de detecção de DO utilizando a taxa de sucesso, como pode ser visualizado na Fig. 10. De uma maneira geral, podemos afirmar que o método proposto teve uma maior taxa de sucesso nas bases ARIA (75,90%), STARE (65,75%) e DRIONS (100%). Na base DRIVE o algoritmo de Akram et al. [15] teve maior taxa de sucesso com 95%. Na base MESSIDOR o algoritmo de Punnolil [18] obteve a maior taxa de sucesso com 96,08% e na base DRISHTI o algoritmo com maior taxa de sucesso foi o de Sekar e Nagarajan [17] com 100,00%. O melhor resultado global foi obtido com o método proposto que obteve uma taxa de sucesso de 86,69%. O pior desempenho nas bases DRIVE e STARE foi obtido por Zubair et al. [19], com valores de 52,50% e 33,98% respectivamente. Na base ARIA foi obtido por Sekar e Nagarajan [17] e Punnolil [18] com 44,82% de acerto. Na base MESSIDOR Akram et al. [15] ficou com o pior desempenho, com 47,56% de acerto. Por fim, nas bases DRIONS e DRISHTI o pior desempenho foi obtido por Punnolil [18] e Zubair et al. [19] com valores de 56,36% e 78% respectivamente. O pior resultado global foi obtido por Akram et al. [15] que totalizou apenas 51,52% de acerto.

8 Figura 10. Resultado comparativo em todas as bases. VI. CONCLUSÃO E TRABALHOS FUTUROS Este trabalho apresentou a descrição de um comitê para detecção do DO em imagens de retina formado por 5 métodos clássicos de detecção do DO. Inicialmente foram utilizados 20% e 40% das imagens das bases para a obtenção dos pesos de cada método individual. Em seguida, o centro do DO foi escolhido por meio da votação ponderada da saída de cada método de detecção do DO utilizado. Os resultados obtidos pelo comitê foram comparados com os obtidos pelos métodos individualmente. O uso do comitê melhorou os resultados em 3 das 6 bases utilizadas, sendo as exceções as bases DRIVE, a MESSIDOR e a DRISHTI. Quando foram utilizadas todas as imagens o resultado obtido pelo comitê foi consideravelmente melhor em relação aos outros métodos. Essa melhora se deve ao fato do comitê utilizar diferentes abordagens de segmentação do DO. Como trabalho futuro será implementado um sistema para a classificação prévia da imagem em saudável ou patológica, e assim aumentar o peso para o método que acertou mais em imagens com essa característica. Por fim, serão implementados novos métodos de detecção do DO para serem inseridos no comitê. REFERÊNCIAS [1]S. Dawn, K. Pearse, T. Adnan, E. Catherine, A. Lloyd, and S. Paolo. Automated retinal image analysis for diabetic retinopathy in telemedicine. Current Diabetes Reports, pp 1 9, [2]Mathu Mookiah, Rajendra Acharya, e Chua Chua, Computer-aided diagnosis of diabetic retinopathy: A review, Computers in Biology and Medicine, vol. 43, no. 12, pp , [3]Arslan Ahmad, Atif Mansoor, Rafia Mumtax, Mukuram Khan, and S. Mirza Image processing and classification in diabetic retinopathy: A review. 5th European Workshop on Visual Information Processing, pp 1-6. Paris, França, Dezembro, [4]A. Hoover and M. Goldbaum, Locating the optic nerve in a retinal image using the fuzzy convergence of the blood vessels, IEEE Transactions on Medical Imaging, vol. 22, no. 8, pp , Agosto [5]H. A. Quigley and A. T. Broman, The number of people with glaucoma worldwide in 2010 and 2020, British Journal of Ophthalmology, vol. 90, no , [6]R. Bernades, P. Serranho and C. Lobo "Digital Ocular Fundus Imaging: A Review", Ophthalmologica, vol. 4, no. 226, pp , Outubro. [7]Sinthanayothin, C. and Boyce, J.F. and Cook and H.L. and Williamson "Automated localisation of the optic disk, fovea, and retinal blood vessels from digital colour fundus images", British Journal of Ophthalmology, vol. 83, no. 8, pp , Agosto. [8]Xu, J. and Chutatape, and Chew "Automated Optic Disk Boundary Detection by Modified Active Contour Model", IEEE Transactions on Biomedical Engineering, vol. 54, no. 3, pp , Março. [9]Sarathi, M. P., Dutta, M. K., Singh, A., Travieso, C. M. "Blood vessel inpainting based technique for efficient localization and segmentation of optic disc in digital fundus images", Biomedical Signal Processing and Control, vol. 25, pp , [10]Xiong, L., Li, H., An approach to locate optic disc in retinal images, Computerized Medical Imaging and Graphics, vol. 40, pp 40-50, [11]B. Harangi, R. Qureshi, and A. Csutak, Automatic detection of the optic disc using majority voting in a collection of optic disc detectors, IEEE International Symposium on Biomedical Imaging: From Nano to Macro, Rotterdam, Holanda, Abril, [12]L. Kovacs, R. Qureshi, and B. Nagy, Graph based detection of optic disc and fovea in retinal images, 4th International Workshop on Soft Computing Applications, Arad, Romênia, Julho, [13]B. Harangi and A. Hajdu, Improving the accuracy of optic disc detection by finding maximal wheighted clique of multiple candidates of individual detectors, 9th IEEE International Symposium on Biomedical Imaging (ISBI), Barcelona, Espanha, Maio, [14] T. Quereshi and H. Amin, Automatic localization of the optic disc in retinal fundus images using multiple features, IEEE 12th International Conference on Bioinformatics and Bioengineering, Larnaca, Cyprus, Novembro, [15]M. U. Akram, A. Khan, K. Iqbal, and W. H. Butt, Retinal images: Optic disk localization and detection, International Conference on Image Analysis and Recognition, M. K. Aurélio Campilho, vol. 6112, pp 40 49, [16]G. G. Rajaput, B. M. Reshmi, and C. Sidramappa, Automatic Localization of fovea center using mathematical morphology in fundus images, International Journal of Machine Intelligence, vol. 3, no. 4, pp , [17]G. B. Sekar and M. P. Nagarajan, Localisation of optic disc in fundus images by using clustering and histogram techniques, International Conference on Computing, Electronics and Electrical Technologies - ICCEET, 2012, pp [18]A. Punnolil, A novel approach for diagnosis and severity grading of diabetic maculopathy, International Conference on Advances in

9 Computing, Communications and Informatics (ICACCI), 2013, pp , Agosto [19]M. Zubair, A. Yamin, and S. Khan, Automated detection of optic disc for the analysis of retina using color fundus image, in IEEE International Conference on Imaging Systems and Techniques, Pequim, Outubro 2013, pp [20]J. J. Staal, M.D. Abramoff, M. Niemeijer, M.A. Viergever, B. van Ginneken, "Ridge based vessel segmentation in color images of the retina", IEEE Transactions on Medical Imaging, 2004, vol. 23, pp [21]E. J. Carmona, M. Rincón, J. García-Feijoo and J. M. Martínez-de-la- Casa (2008). Identification of the optic nerve head with genetic algorithms. Artificial Intelligence in Medicine, Vol. 43(3), pp [22]F. Damian, Aria online, retinal image archive, Novembro, [23]Hoover, STARE database, [24]Messidor, Methods to evaluate segmentation and indexing techniques in the field of retinal ophthalmology, [25]J. Sivaswamy, S. Krishnadas, G. Datt Joshi, M. Jain, S. Tabish, and A. Ujjwaft. Drishti-gs: Retinal image dataset for optic nerve head (onh) segmentation. IEEE International Symposium on Biomedical Imaging (ISBI), pp , [26]K. W. Tobin, E. Chaum, V. P. Govindasamy, and T. P. Karnowski, Detection of anatomic structures in human retinal imagery, IEEE Transactions on Medical Imaging, vol. 26, no. 12, pp , Dezembro Romuere Rodrigues Veloso e Silva, é professor da Universidade Federal do Piauí (UFPI) Campus Senador Helvídio Nunes de Barros (CSHNB) Picos. Também é aluno de doutorado em engenharia de teleinformática da UFC e graduado e mestre em Ciência da Computação pela UFPI. Suas pesquisas se concentram em visão computacional, inteligência computacional e processamento de imagens médicas. Flávio Henrique Duarte de Araújo, é professor da Universidade Federal do Piauí (UFPI) Campus Senador Helvídio Nunes de Barros (CSHNB) Picos. Também é aluno de doutorado em engenharia de teleinformática da UFC e graduado e mestre em Ciência da Computação pela UFPI. Suas pesquisas se concentram em inteligência computacional aplicada a saúde e processamento de imagens médicas. Luckas Moreno Rodrigues dos Santos, é aluno de graduação do curso de Ciência da Computação na Universidade Federal do Piauí. Suas pesquisas se concentram em processamento de imagens médicas. Rodrigo de Melo Souza Veras, é professor da Universidade Federal do Piauí (UFPI), Departamento de Computação. Graduado em Ciência da Computação pela UFPI, mestre em Ciência da Computação pela Universidade Federal do Ceará, doutorado em Engenharia de Teleinformática pela UFC. Suas pesquisas se concentram em inteligência computacional e processamento de imagens médicas. Fátima Nelsizeuma Sombra de Medeiros, é professora da Universidade Federal do Ceará (UFC), Departamento de Engenharia de Teleinformática. Graduada em Engenharia Elétrica pela UFC, mestre em Engenharia Elétrica pela Pontifícia Universidade Católica do Rio de Janeiro, doutora em Física Universidade de São Paulo. Suas pesquisas se concentram em visão computacional, processamento de imagens médicas e processamento de sinais.