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 Federal do Piauí Teresina, PI, Brasil {assuncao,luckasmoreno,rveras}@ufpi.edu.br Abstract. In this work, we sought to develop several processing techniques to locate the optical disc (OD) of images on the retina. Find the DO in a retinal image improves the chances of detecting non-systemic and systemic diseases such as diabetes, hypertension and arteriosclerosis. The location also serves as input to detect other anatomical structures of the retina and macula such as blood vessels, for this purpose have been implemented and compared six different algorithms that use different approaches to detection of DO, making use of four color bands in five image databases in the public domain. Resumo. Neste trabalho procura-se desenvolver várias técnicas de processamento para a localização do disco óptico (DO) em imagens de retina. Encontrar o DO em uma imagem da retina melhora as chances de detectar doenças não-sistêmicas e sistêmicas, como a diabetes, a hipertensão e a arteriosclerose. A sua localização também serve como entrada para a detecção de outras estruturas anatômicas da retina, tais como mácula e vasos sanguíneos. Para esta finalidade foram implementados e comparados seis algoritmos diferentes que utilizam diversas abordagens para detecção do DO, fazendo uso de quatro bandas de cores, em cinco bases de imagem de domínio público. 1. Introdução O olho humano é responsável pela capacidade do homem interagir visualmente com o meio ambiente que o rodeia. Baseado em um conjunto de processos químicos e físicos básicos, o olho transforma estímulos luminosos em estímulos elétricos e envia-os ao cérebro para que possam ser interpretados. A retina constitui a membrana mais interna do olho, situando-se na sua parede posterior. Quando o olho focaliza uma cena, a imagem correspondente é projetada sobre a retina. A análise da retina pode prover informações sobre mudanças patológicas causadas por doenças oculares locais e sinais recentes de doenças sistemáticas como hipertensão, arterioesclerose, diabetes mellitus [Hoover and Goldbaum 2003] [Tobin et al. 2007]. A Figura 1 mostra uma ilustração da retina humana. O disco ótico aparece no lado esquerdo desta imagem destacado com o círculo branco. Esta estrutura constitui em uma imagem de retina saudável a parte mais brilhante e também a região de convergência dos vasos. Em uma retina normal, as várias propriedades (forma, cor, tamanho e convergência dos vasos) auxiliam na identificação
do disco óptico. Existem diversos algoritmos para detecção dessa importante região da retina. [Hoover and Goldbaum 2003] [Veras et al. 2014] O trabalho de Veras et al [Veras et al. 2014] em comparação a este tem uma diferença, pois na abordagem dele não houve uma verificação de qual método que apresentou melhor resultado decorrente da banda de cor utilizada, ele verifica qual dos métodos teve melhor taxa de acerto. Já este além de verificar qual o método com melhor taxa de acerto, verifica-se com qual banda de cor predominou nas taxas de melhor acerto. Figura 1. Imagem da retina humana e suas principais estruturas. Normalmente algoritmos de detecção do DO fazem uso de um canal de cor específico muitas vezes baseado empiricamente no conjunto de imagens utilizados para teste, o que muitas vezes elevam suas taxas de acerto. O objetivo principal deste trabalho é descrever a influência do canal de cor em seis métodos de detecção do DO implementados a partir de trabalhos de proposição dos seguintes autores: [Liu et al. 1997], [Akram et al. 2010], [Rajaput et al. 2011], [Sekar and Nagarajan 2012], [Punnolil 2013] e [Zubair et al. 2013], comparando o desempenho em seu canal de cor originalmente proposto a outros três canais em imagens de retina com diferentes características. 2. Materiais e Métodos 2.1. Canais de cor utilizados As imagens coloridas são resultantes da combinação de três imagens obtidas, cada uma em um canal diferente R (red), G (green), B (blue). Quando se trata de imagens coloridas de retina, muitos trabalhos afirmam que o canal verde (G) contém o melhor contraste entre os elementos e o fundo, enquanto no canal vermelho (R) é encontrado muita saturação e o canal azul na maioria dos casos não contém informação relevante.[guerra 2008] Dessa forma, além de avaliarmos os canais R e G, também, avaliamos outras combinações dado pelas equações 1 e 2. [Gonzalez and Woods 2011] D = 0, 5R + 0, 5G (1) Y = 0, 299R + 0, 5876G + 0, 114B (2)
A primeira imagem (D) é formada pela associação dos canais R e G. Esperava-se que na imagem resultante o DO apareça como uma região mais homogênea e destacada do fundo da imagem. Já a imagem resultante da equação 2 representa a luminância(medida de intensidade de luz refletida). Utilizamos a luminância visto que o DO normalmente apresenta a característica de ser mais brilhante em relação a outras partes da imagem. 2.2. Métodos de detecção de DO utilizados para avaliação dos canais de cor O método de [Liu et al. 1997] utiliza a transformada Circular de Hough (TCH) para identificar o DO através de uma metodologia que detecta formas geométricas em imagens digitais. No algoritmo mesmo podendo interferir na detecção de bordas, os autores usaram a componente vermelha, pois com uso dessa componente não aparecem os vasos sanguíneos do DO. Este algoritmo leva em consideração somente a diferença do fundo da imagem e o brilho do DO. O método de Akram et al introduzido em [Akram et al. 2010] utiliza um algoritmo onde inicialmente a imagem de entrada é transformada para a banda verde, posteriormente, os autores aplicaram um filtro de média no canal verde para remover o ruído resultante no fundo da imagem. Como o DO é considerado uma parte brilhante no fundo de uma imagem de retina, os autores buscaram a região onde tinham os pixels com maior intensidade segundo o histograma da imagem. Estes pixels localizados são identificados como a região de interesse (ROI). A partir da ROI, eles extraem o DO aplicando a TCH e marcam um círculo onde foi localizado. O método de [Rajaput et al. 2011] faz a localização da fóvea em imagens coloridas de retina, o qual 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 aplicam um equalização de histograma no canal vermelho da imagem para realçar o contraste. Em seguida, a imagem é invertida e as áreas de mínima intensidade são identificadas utilizando a TCH, empiricamente os autores definiram 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 e cujo os pixels da borda externa possuem um valor de intensidade mais alto. Sekar e Nagarajan propuseram em [Sekar and Nagarajan 2012] um método para localização do DO baseado em uma abordagem de agrupamento de histograma. Neste métodos, primeiro é necessário determinar as regiões candidatas, agrupando os 1% dos pixels mais intensos na banda vermelha em imagens de retina. Em seguida, é gerada uma imagem verde contendo os agrupamentos de pixels mais intensos gerados no passo anterior, esta nova imagem gerada na banda verde é processada por três métodos independentes chamados de método de máxima variância, máxima diferença e filtro gaussiano. Após esta etapa os autores analisam o histograma das três subimagens retornadas por estes métodos e analisam aquela que possuir um maior número de pixels na banda azul. Em [Punnolil 2013] é apresentado um sistema para detecção e classificação automática de gravidade do edema macular. Para esta finalidade, o centro DO foi detectado e a região da fóvea foi localizada utilizando as informações dos vasos da retina. Para detecção do DO os autores aplicaram um operador de fechamento morfológico no canal verde da imagem com elemento estruturante de raio 15 para eliminar os vasos sanguíneos
da região do DO. Um operador de vizinhança em coluna foi aplicado usando uma janela deslizante de tamanho 11 x 11. A imagem resultante foi binarizada com um valor de limiar de 0,95 com base em uma estimativa interativa para cada imagem. Por fim, o centro da região resultante da binarização é fixado como sendo o centro do DO. Em Zubair et al [Zubair et al. 2013] é proposto um método para detecção de DO e que inicialmente seleciona o canal verde em imagem colorida de retina. Posteriormente, é feita uma equalização do histograma para melhorar as características da imagem e um alongamento do contraste utilizando uma operação morfológica de erosão para remover os candidatos que não são DO e posteriormente 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. 2.3. Bases de Imagens Para testar o desempenho dos algoritmos foram utilizadas cinco bases de imagens, a saber: STARE [Hoover and Goldbaum 2003], DRIVE [Staal et al. 2004], DRISHTI, ARIA [Damian 2006] e DRIONS [Carmona et al. 2008]. Tais bases apresentam imagens com diferentes formatos, patologias e características como luminosidade, tamanho, posição e raio do DO definidos manualmente por especialistas. A tabela 1 exibe as informações de cada base. Tabela 1. Bases de imagens. Qtd. Total Qtd. Saudáveis Qtd. Doentes Resolução(pixels Câmera Formato STARE 402 36 67 700 605 TopCon TRV-50 JPEG DRIVE 40 768 584 Canon CR5 3CCD JPEG ARIA 116 61 55 768 576 Zeiss FF450+ TIFF DRIONS 110 600 400 JPEG DRISHTI 101 2896 1944 JPEG 3. Resultados e Discussões Neste trabalho será utilizado uma metodologia de avaliação que é taxa de sucesso que avalia a proximidade da marcação dos métodos individuais em relação ao DO. Tobin et al. em [Tobin et al. 2007], introduziu uma metodologia simples para avaliar o desempenho de métodos de detecção de DO, o que compara as coordenadas estimadas (x E,y E ) marcadas pelo método para um par de coordenadas que foi marcado manualmente, como o centro do DO(x DO,y DO ). Esta abordagem exibe o resultado como sucesso se a equação
3 for válida, nos casos em que a distância entre dois pontos for menor ou igual a um raio (1R). (x DO x E ) 2 + (y DO y E ) 2 1R, (3) Para realizar a avaliação dos algoritmos implementados foi utilizado a metodologia de avaliação proposta na equação 3 em um total de 420 imagens utilizando os quatro canais de cor (R, G, D, Y) nas 5 bases descritas na seção 2.2. A fim de comparar o desempenho dos métodos foi realizada uma avaliação global dos algoritmos utilizando a média da taxa de sucesso de todas as bases para cada canal de cor como pode ser ilustrado na Figura 2. Figura 2. Resultado comparativo em todas as bases. De uma maneira geral, pode-se afirmar que o método do obteve melhor taxa de sucesso no canal vermelho foi [Akram et al. 2010] com (77,80%) seguido por [Rajaput et al. 2011] com 71,80%, no canal verde [Rajaput et al. 2011] obteve 86,15%. Já na junção dos canais vermelho e verde (D) [Punnolil 2013] teve melhor desempenho com 78,76%, e por fim nas imagens em tons de cinza [Rajaput et al. 2011] obteve novamente a maior taxa de acerto com 86,15%. 4. Conclusão e Trabalhos Futuros Na avaliação utilizando imagens com diversas características (formato, cor, tamanho) concluí-se que houve muita variação nos resultados e que o algoritmo deve ser específico para o canal de cor, visto que a utilização deste canal de cor escolhido tende a ser melhor no conjunto de imagens que este método vai ser implementado. Como trabalho futuros irá ser pesquisada a influência da utilização de imagens saudáveis ou com alguma patologia na influência do resultado geral e posteriormente aprofundar pesquisas para detecção de DO no canal D, pois os melhores resultados foram obtidos neste canal.
Referências Akram, M. U., Khan, A., Iqbal, K., and Butt, W. H. (2010). Retinal images: Optic disk localization and detection. In Aurélio Campilho, M. K., editor, International Cnference on Image Analysis and Recognition, volume 6112, pages 40 49. Carmona, E., Rincon, M., Garcia-Feijoo, J., and de-la Casa, J. M. M. (2008). Identification of the optic nerve head with genetic algorithms. Artificial Intelligence in Medicine, 43(3):243 259. Damian, F. (2006). Aria online, retinal image archive. http://www.eyecharity. com/aria_online/. Gonzalez, R. C. and Woods, R. E. (2011). Processamento Digital De Imagens. Pearson Education, 3 edition. Guerra, R. A. A. (2008). Identificação automática do disco óptico em imagens coloridas da retina. Master s thesis, Faculdade de Engenharia da Universidade do Porto, Porto. Hoover, A. and Goldbaum, M. (2003). Locating the optic nerve in a retinal image using the fuzzy convergence of the blood vessels. IEEE Transactions on Medical Imaging, 22(8):951 958. Liu, Z., Opas, C., and Krishnan, S. (1997). Automatic image analysis of fundus photograph. In Proceedings 19th IEEE Engineering in Medicine and Biology Society Annual Conference, volume 2, pages 524 525, Chicago, IL, EUA. Punnolil, A. (2013). A novel approach for diagnosis and severity grading of diabetic maculopathy. Advances in Computing, Communications and Informatics (ICACCI), 2013 International Conference on, pages 1230 1235. Rajaput, G. G., Reshmi, B. M., and Sidramappa, C. (2011). Automatic localization of fovea center using mathematical morpology in fundus images. International Journal of Machine Intelligence, 3(4):172 179. Sekar, G. B. and Nagarajan, M. P. (2012). Localisation of optic disc in fundus images by using clustering and histogram techniques. In International Conference on Computing, Electronics and Electrical Technologies - ICCEET, pages 584 589. Staal, J., Abramoff, M. D., Niemeijer, M., Viergever, M. A., and Ginneken, B. V. (2004). Ridge-based vessel segmentation in color images of the retina. IEEE Transactions on Medical Imaging, 23(4):501 509. Tobin, K. W., Chaum, E., Govindasamy, V. P., and Karnowski, T. P. (2007). Detection of anatomic structures in human retinal imagery. IEEE Transactions on Medical Imaging, 26(12):1729 1739. Veras, R., Medeiros, F., Santos, L., and Assunção, F. (2014). A comparative study of optic disc detection methods on five publicly available database. In Workshop de Informática Médica, Brasilia, Brasil. Zubair, M., Yamin, A., and Khan, S. (2013). Automated detection of optic disc for the analysis of retina using color fundus image. In IEEE International Conference on Imaging Systems and Techniques, pages 239 242, Beijing.