Verificação de Qualidade de Imagens de Fundo de Olho a Partir de Descritores Baseados em Histogramas. Marina Silva Fouto - Reconhecimento de Padrões

Tamanho: px

Começar a partir da página:

Download "Verificação de Qualidade de Imagens de Fundo de Olho a Partir de Descritores Baseados em Histogramas. Marina Silva Fouto - Reconhecimento de Padrões"

Benedicto Madureira Gusmão
8 Há anos
Visualizações:

1 Verificação de Qualidade de Imagens de Fundo de Olho a Partir de Descritores Baseados em Histogramas Marina Silva Fouto - Reconhecimento de Padrões

2 Tópicos Importância Trabalhos Relacionados Imagens e tratamento prévio Geração dos histogramas e descritor Classificação Conclusão Referências

3 Importância A clareza das imagens de retina é extremamente importante para o correto diagnóstico de doenças; Parametros necessários para corretude: foco e claridade, definição de campo, visibilidade da mácula, visibilidade do disco óptico e artefatos; Artefatos podem ser gerados por poeira, oclusão parcial por cílios, má iluminação em regiões de interesse, piscar total do olho, entre outras coisas.

4 Importância A qualidade da imagem pode depender do tipo de doença que se deseja diagnosticar regiões escuras podem ser ruins para identificar algumas doenças e úteis para identificar outras; Este trabalho foca em classificar imagens como possuindo qualidade boa ou ruim em geral, sem levar em conta doenças específicas.

5 Trabalhos Relacionados Niemeijer et al. 2006; Utiliza bases proprietárias, dividindo conjuntos de testes independentes com 1000 amostras, 500 de imagens boas, 500 de imagens ruins; Criação de cluster para reduzir a quantidade de características da aplicação de um conjunto de filtros multi escala a cada pixel das imagens; Classifica a imagem utilizando SVM, KNN, classificador de discriminante quadrático e linear e dentre eles, o SVM foi o classificador que obteve melhores resultados.

6 Trabalhos Relacionados Lalonde et al. 2001; Utiliza histogramas de distribuição de magnitude de borda e distribuição local de intensidade dos pixels, gerando um histograma ótimo gerado a partir de um conjunto considerado ótimo de imagens (retiradas da base Messidor); A classificação é feita comparando-se os histogramas das imagens analisadas com o histograma ótimo. Além disso, são gerados histogramas de regiões de interesse da imagem e este é comparado ao histograma da mesma região da imagem ótima; O resultado esperado é que a média de pixels da imagem analisada seja próxima a média de pixels da imagem ótima para ela ser considerada boa.

7 Trabalhos Relacionados Pires et al Utiliza vários atributos das imagens para criação do descritor cor foco contraste iluminação Avaliação final feita com classificadores SVM, KNN e redes neurais; Classificação em gradable e ungradable, obtendo resultados próximos de 100% de especifidade e sensitividade

8 Base de Imagens A base de imagens foi criada utilizando imagens da base Messidor e imagens retiradas do Retina Image Bank Base Messidor = imagens boas Retina Image Bank = imagens ruins A base foi criada de acordo com a quantidade de imagens de qualidade ruim obtida, de forma que as imagens tivessem aparência o mais uniforme possível entre si, com relação a tamanho e formato. Imagens borradas foram geradas a partir de imagens da base Messidor e apesar de ter qualidade ruim para localizar vasos e outras regiões, foram consideradas como uma classe separada

9 Exemplos de imagens da base Exemplos das imagens existentes na base: boa, borrada, ruim. As imagens foram redimensionadas e somente a banda verde foi utilizada.

10 Geração dos histogramas e descritor Foram gerados histogramas normalizados para todas as imagens, trazendo 256 características para cada uma; Estes foram salvo em um arquivo onde cada linha representa uma imagem e cada uma das 256 características representam a quantidade de tons de cinza que aparecem na imagem; Além do arquivo do descritor, também foi criado um arquivo que contem os rótulos de cada amostra, de acordo com a ordem em que aparecem no descritor.

11 Comparação de histogramas Exemplo de histograma normalizado de imagens boas

12 Comparação de histogramas Exemplo de histograma normalizado de imagens degradadas por filtro de Fourier

13 Comparação de histogramas Exemplo de histograma normalizado de imagens ruins

14 Classificação Para fazer a classificação, foi utilizada a biblioteca Scikit-learn do Python Ferramenta open source específica para aprendizado de máquina Tomando por base a revisão bibliográfica, foram escolhidos os classificadores SVM com kernel linear e KNN com k=3. Testes foram realizados com o descritor em tamanho original e com dimensionalidade reduzida utilizando PCA, reduzindo a 4 características

15 Redução de dimensionalidade com PCA Redução de 256 características para 2, para visualização da distribuição dos elementos

16 Classificação A redução com PCA não trouxe muitos ganhos, e foi feita por ser conhecido que o classificador SVM pode trazer resultados ruins caso o número de características seja muito maior que o de amostras; O SVM com kernel linear foi escolhido por ser o que melhor trabalha com descritores multi-classes, implementando a estratégia um contra o resto

17 Classificação O método utilizado para a classificação foi gerar aleatoriamente os conjuntos de treinamento e teste nas primeiras iterações e salvar os que dessem bons resultados; O arquivo era então utilizado como treinamento sempre e mudava-se os arquivos de testes para analisar a qualidade dos resultados obtidos.

18 Classificação Resultados obtidos com os classificadores para os descritores de tamanho original e reduzidos com PCA

19 Conclusão Apesar de ter obtido bons resultados, a base utilizada para a execução do trabalho ainda é muito pequena e possui imagens alteradas manualmente; O próximo passo é aplicar estas técnicas a uma base privada, muito maior e não classificada e observar os resultados obtidos; Estuda-se utilizar classificações intermediárias como primeiro passo, conforme visto no levantamento bibliográfico, bem como gerar descritores baseados em regiões específicas da imagem.

20 Referências ARIC Grading Protocol ( Niemeijer, M., Abramoff, M. D., and van Ginneken, B. (2006). Image structure clustering for image quality verification of color retina images in diabetic retinopathy screening. Medical image analysis, 10(6): Lalonde, M., Gagnon, L., and Boucher, M.-C. (2001). Automatic visual quality assessment in optical fundus images. Proceedings of Vision Interface 2001 Fleming, A. D., Philip, S., Goatman, K. A., Sharp, P. F., and Olson, J. A. (2012). Automated clarity assessment of retinal images using regionally based structural and statistical measures. Medical engineering and physics, 34(7): Pires Dias, J. M., Oliveira, C. M., and da Silva Cruz, L. A. (2012). Retinal image quality assessment using generic image quality indicators. Information Fusion. Giancardo, L., Abramoff, M., Chaum, E., Karnowski, T., Meriaudeau, F., and Tobin, K. (2008). Elliptical local vessel density: a fast and robust quality metric for retinal images. pages

21 Verificação de Qualidade de Imagens de Fundo de Olho a Partir de Descritores Baseados em Histogramas Marina Silva Fouto - Reconhecimento de Padrões

Documentos relacionados

Análise do uso de diferentes bandas de cores na detecção do disco óptico em imagens de retina

Análise do uso de diferentes bandas de cores na detecção do disco óptico em imagens de retina Fernando A. Sousa, Luckas M. R. dos Santos e Rodrigo de M. S. Veras 1 Departamento de Computação Universidade