Detección de glaucoma mediante la combinación de la relación
copa/disco y la regla ISNT
B. Rodrigo1, S. Morales1,2, V. Naranjo1,2, A. Colomer1,2, M. Alcañiz1,2,3
1
Instituto Interuniversitario de Investigación en Bioingeniería y Tecnología Orientada al Ser Humano, Universitat
Politècnica de València, I3BH/LabHuman, Camino de Vera s/n, 46022 Valencia, Spain, belrodmo@gmail.com, {smorales,
vnaranjo, acolomer, malcaniz}@labhuman.com
2
Grupo Tecnologías de Informática Aplicadas a la Oftalmología, Unidad Conjunta UPV- FISABIO, Spain
3
Ciber, Fisiopatología de Obesidad y Nutrición, CB06/03 Instituto de Salud Carlos III, Spain
Resumen
Este trabajo se centra en el diseño e implementación de un
método de clasificación automático de las imágenes de fondo de
ojo según presenten características de padecer glaucoma o no.
Además de proponer un nuevo método para la detección de la
copa óptica, se ha demostrado que si se combinan
características extraídas de la regla ISNT y de la relación entre
la copa y el disco óptico, se consigue un clasificador más
robusto que si se considera sólo una de esas características. El
algoritmo de clasificación utilizado ha sido SVM y ha logrado
unos resultados prometedores en imágenes procedentes de
cuatro bases de datos diferentes con gran variabilidad.
1. Introducción
El glaucoma es una de las principales causas de ceguera
en la actualidad a nivel mundial [1]. Consiste en un
conjunto de procesos en los que una presión intraocular
elevada produce lesiones que afectan fundamentalmente
al nervio óptico, provocando una pérdida de campo visual
que puede llegar a ser total si el proceso no se detiene. Sin
embargo, la detección precoz y un control y tratamiento
adecuado pueden impedir la progresión de la enfermedad.
El daño del nervio óptico se manifiesta en un cambio en
la apariencia de la copa óptica, por lo que su tamaño está
relacionado con la presencia o ausencia de glaucoma. En
la Figura 1 se muestra la diferencia existente entre el
fondo de ojo de un paciente sano y uno glaucomatoso.
(a) (b)
Figura 1. Imagen de fondo de ojo: (a) Ojo sano y (b) Ojo
glaucomatoso. En rojo marcado el disco óptico y en azul la
copa óptica.
En base a esos hechos, este trabajo se centra en
implementar un algoritmo para la clasificación de
pacientes en sanos o sospechosos de padecer glaucoma a
partir del análisis automático de imágenes de fondo de ojo
con el fin de conseguir una detección temprana y poder
frenar el avance de la enfermedad. Este sistema de
cribado podría ayudar al abaratamiento de gasto de
tiempo en personal experimentado, permitiendo de este
modo aumentar la población participante.
Las técnicas más usadas para la detección del glaucoma
son el estudio de la relación entre la copa y el disco óptico
y la regla ISNT [2]. En general, estas técnicas se emplean
de manera independiente pero no suelen combinarse. Este
trabajo quiere demostrar cómo la combinación de ambas
características es capaz de mejorar los resultados de la
clasificación además de proponer un nuevo método para
la segmentación de la copa óptica.
La relación entre la copa y el disco consiste en analizar si
el tamaño de la copa es relevante en función del disco
óptico. Para ello, se realiza el cociente entre el diámetro
de ambos (CDR) o bien entre sus áreas (ACDR) dando
lugar a un valor entre 0 y 1. En la literatura existen
algunas discrepancias en los umbrales que deben tomarse
para diferenciar entre un paciente sano u otro sospechoso
de glaucoma; por ejemplo, en [3] un ojo se considera
glaucomatoso si su CDR supera 0,5. Sin embargo para
[4], cuando este cociente es menor de 0,3 es normal; entre
0,3 y 0,6 es sospechoso; y si es mayor de 0,6, patológico.
La regla ISNT se basa en comprobar en cuál de las cuatro
partes del anillo neuroretiniano (Inferior, Superior, Nasal
o Temporal) hay mayor concentración de fibras nerviosas
[5]. Un ojo sano cumple que I>S>N>T.
El artículo se organiza de la siguiente forma: en el
capítulo 2 y 3 se describe el material empleado y el
método propuesto. En el capítulo 4 se detallan los
resultados y en el capítulo 5 se recogen las conclusiones.
2. Material
El material empleado para este trabajo han sido imágenes
de 4 bases de datos diferentes, dos de ellas públicas y
otras dos privadas: base de datos del Hospital 12 de
Octubre de Madrid [6] (53 imágenes), Rim One Database
[7] (71 imágenes), High-Resolution Fundus (HRF). [8]
(30 imágenes) y Autogla proporcionada por la Fundación
Oftalmológica del Mediterráneo (FOM) (38 imágenes).
Combinando las bases de datos anteriores, se cuenta con
un total de 192 imágenes clasificadas por especialistas
(72 con patología y 120 sanas). Debe destacarse la gran
variabilidad existente en el conjunto de datos utilizado.
3. Método
3.1. Determinación de la región de interés
Las características necesarias para la clasificación de un
fondo de ojo como glaucomatoso o no deben calcularse
en el disco óptico por lo que se establece una región de
interés alrededor del disco y se recortan las imágenes para
trabajar sólo sobre esa región (Figura 2). Este recorte se
realiza con el objetivo de reducir el coste computacional.
Todas las imágenes son recortadas a excepción de la base
de datos de Rim One que ya viene recortada y centrada en
el disco óptico. Para la detección del disco óptico se ha
utilizado el método propuesto en [9].
(a) (b)
Figura 2. (a) Imagen de fondo de ojo original y (b) Imagen
recortada alrededor del disco óptico.
3.2. Segmentación de la copa óptica
El primero de los objetivos de este trabajo es segmentar la
copa del disco óptico para poder extraer características
sobre ella.
Después de establecer la región de interés se llevó a cabo
un estudio para analizar qué espacio de color permitiría
realizar una mejor segmentación de la copa óptica. Se
analizaron las distintas componentes de los espacios
RGB, YCbCr, CIE Lab, CMYK y PCA [10]. La Figura 3
muestra las componentes de cada uno de los espacios en
las que la copa aparece definida con mayor claridad.
(a) (b) (c)
(d) (e)
Figura 3. Análisis de diferentes espacios de color: (a)
Componente G (RGB). (b) Componente Cr (YCbCr). (c)
Componente a (Lab). (d) Componente M (CMYK). (e)
Primera componente (PCA).
Tanto la componente M de CMYK como la primera
componente de PCA proporcionan una frontera de la copa
bien definida por lo que la segmentación se realizó de
manera paralela con esas dos componentes para comparar
los resultados y establecer cuáles eran los óptimos.
La eliminación de los vasos en el interior del disco óptico
facilita el poder reconocer los bordes de la copa de una
manera adecuada. Para poder eliminarlos se aplica la
técnica conocida como inpaint [11]. Los vasos son
detectados haciendo uso de un algoritmo de clustering
llamado K-means [12] que agrupa los datos en clases
basándose en un criterio de similitud. Una vez se han
detectado, se rellena la zona segmentada desde la frontera
hacia el centro del vaso sustituyendo el valor del píxel por
la intensidad media calculada en un pequeño vecindario
alrededor de los píxeles de la frontera de manera iterativa.
El paso más importante en la detección de la copa se ha
centrado en el uso de la transformada watershed [13]. En
ella, los mínimos de la imagen representan los objetos de
interés y los máximos corresponden a las fronteras de
separación entre los objetos. Por ello, la entrada de esta
transformada suele ser una imagen de gradiente.
Uno de los problemas de este método es la
sobresegmentación debida a la aparición de zonas con
ruido que pueden dar lugar a numerosos mínimos locales.
Una solución consiste en modificar el método añadiendo
a la imagen del gradiente unos marcadores que indiquen
de manera artificial los mínimos en la imagen. Para evitar
el problema de la subsegmentación al limitar el número
de marcadores, se hace uso de una variante de la
transformada watershed conocida con el nombre de
Watershed Estocástica [14]. En dicha variante se lanza un
número N de marcadores controlados M veces para
generar una función de densidad de probabilidad (pdf) de
los contornos de la imagen. Sin embargo, no sólo se
necesitan marcadores que especifiquen el objeto de
interés (internos) sino también marcadores que limiten la
zona a ser segmentada (externos).
En nuestro caso, los marcadores internos se generan
aleatoriamente entre los píxeles que tengan una varianza
menor de 0,003 respecto al máximo de CMYK y al
mínimo PCA, dado que la copa del disco óptico coincide
con el área de menor y mayor intensidad del mismo,
respectivamente. Si la varianza es demasiado grande,
pueden caer marcadores fuera de la copa.
Como marcador externo se utiliza el borde del disco
óptico, ya que la copa siempre está contenida en su
interior. En nuestro caso realizan 5 simulaciones de la
transformada watershed usando 100 marcadores. Sobre la
pdf resultante, se realiza una última tirada de marcadores
aleatorios y se ejecuta la transformada final donde cada
marcador interno ha dado lugar a una región de la imagen.
La copa óptica será la unión de todas esas regiones.
La imagen binaria resultante de la unión de las regiones
es suavizada mediante descriptores de Fourier [15] para
dar lugar finalmente a la copa segmentada. Los
coeficientes de alta frecuencia son filtrados para adquirir
un contorno más suave.
En la Figura 4 pueden observarse los pasos para
segmentar la copa óptica usando como imagen de entrada
la componente M del espacio CMYK y la primera
componente de PCA. En la Figura 5 se muestran dos
ejemplos donde se puede apreciar el resultado de la
segmentación sobre una imagen usando esas imágenes de
entrada. En este caso, el resultado óptimo se obtiene
usando la primera componente de PCA.
3.3. Extracción de características
3.3.1 Relación copa-disco
Esta relación es una de las medidas usadas en
oftalmología para evaluar el progreso del glaucoma. Se
puede calcular de dos maneras, ambas se basan en la
segmentación de la copa que se acaba de exponer y del
método propuesto en [9]:
 Relacionando el diámetro de la copa con el diámetro
del disco óptico. A este caso se le conoce como CDR
(del inglés, cup-disk ratio). Por indicaciones de los
clínicos se mide el diámetro en el eje vertical. Como
los tamaños de las imágenes cambian en función de
la base de datos y desconocemos la correspondencia
en mm con el tamaño del píxel, el estudio se realiza
midiendo las distancias en píxeles.
CDR  diámetro copa diámetro disco .
 Relacionando el área de la copa con el área del disco
óptico. En este caso, se habla de ACDR (del inglés,
área cup-disk ratio). ACDR  área copa área disco .
(a)
(b)
Figura 4. Proceso de segmentación de la copa óptica utilizando
imágenes de entrada diferentes: (a) Componente M del
espacio CMYK y (b) Primera componente de PCA. Primera
fila: región de interés de la imagen original, imagen de
grises seleccionada, eliminación de los vasos y marcadores
utilizados. Segunda fila: gradiente de la imagen de entrada
con los vasos eliminados, regiones obtenidas mediante el
watershed estocástico, unión de las regiones watershed con
el contorno suavizado y resultado final.
(a) (b)
Figura 5. Resultado final de la segmentación de la copa óptica
utilizando imágenes de entrada diferentes: (a) Componente
M del espacio CMYK y (b) Primera componente de PCA.
En verde se muestra el disco óptico, en cyan la copa óptica
según un experto y en azul la copa obtenida por el método
presentado.
3.3.2 Regla ISNT
En individuos sanos, el anillo neuroretiniano presenta un
grosor variable en función de la zona de la papila. El
grosor es mayor en el sector inferior. Disminuye un poco
en el Superior y todavía es menor en el Nasal quedando el
sector Temporal como el más pequeño de todos. Este
orden descendente en el grosor ha sido trasladado a una
regla nemotécnica que se conoce como ISNT [5].
A la hora de aplicar la regla, siguiendo el consejo de
especialistas en el campo, se ha valoró las distancias
totales en horizontal y en vertical. Esta consideración
viene respaldada por el hecho de que el médico, al ver la
imagen de fondo de ojo, es capaz de reconocer un
glaucoma evaluando visualmente el aspecto de la copa
comparando su eje vertical con el horizontal, sin
necesidad de medir cada una de las cuatro zonas. Si la
distancia total entre el disco óptico y la copa en el eje
horizontal es mayor que la distancia total en el eje
vertical, estamos ante un ojo sospechoso de padecer
glaucoma. El aspecto que toma entonces la copa es de un
óvalo cuyo eje mayor es el vertical.
distHorizontal  distTemporal  distNasal
(1)
distVertical  distInferior  distSuperior
4. Resultados
Una vez extraídas las características de la papila (CDR,
ACDR, distHorizontal y distVertical) se necesita un
algoritmo de clasificación que haga uso de ellas y sea
capaz de discernir entre un ojo sospechoso de padecer
glaucoma y un ojo de un paciente sano. Se han utilizado
dos algoritmos diferentes sobre el espacio de color PCA
que era el que ofrecía unos resultados levemente mejores,
regresión logística (RL) [16] y Support Vector Machines
(SVM) [17]. Además, se ha realizado una comparativa
entre usar solamente la característica del CDR como
hacen la mayoría de autores de la literatura o tomar el
conjunto de características propuestas. En la Tabla 1
pueden observarse los resultados obtenidos en una
validación cruzada con 10 iteraciones.
Todas las características Sólo CDR
Sens. Espec. Sens. Espec.
RL 0.7842 0.5799 0.7785 0.3747
SVM 0.7223 0.6893 0.6781 0.6681
Tabla 1. Resultados del método propuesto mediante regresión
logística (RL) y Support Vector Machines (SVM). Valores
de sensibilidad (Sens.) y especificidad (Espec.)
De los resultados de esta tabla se puede concluir que
SVM ofrece unos valores de sensibilidad y especificidad
más balanceados aunque con regresión logística se logre
una sensibilidad ligeramente mayor.
Por otro lado, el método propuesto ha sido comparado
con un trabajo previo que hacía uso de una de las bases de
datos utilizadas [6]. La comparación ha sido realizada
teniendo en cuenta sólo las imágenes del Hospital 12 de
Octubre de Madrid para que los resultados obtenidos
fuesen directamente comparables entre sí. Ver Tabla 2.
 Sens. Espec.
Román et al. [6] 0.9677 0.6820
Método propuesto con RL 0.8764 0.7799
Método propuesto con SVM 0.8066 0.9270
Tabla 2. Comparación del método propuesto (RL y SVM) con
el trabajo presentado en [6] sobre la base de datos del
Hospital 12 de Octubre de Madrid.
Aunque el método de Román et al. [6] consigue una
mayor sensibilidad, el algoritmo presentado en este
trabajo es más específico. Ambos términos son
importantes para que un sistema de clasificación
automático sea eficaz.
Todos los cálculos han sido realizados en un Intel Core i7
a 2.80 GHz con una memoria RAM de 4 GHz. El coste
computacional para la segmentación de la copa óptica y la
extracción de características es de unos 3 segundos por
imagen.
5. Conclusiones
El objetivo general de este trabajo ha sido implementar un
algoritmo para la clasificación de pacientes en dos
grupos: sanos o sospechosos de padecer glaucoma. Se ha
centrado en la segmentación de la copa óptica y en el
análisis posterior de sus características que resultan
discriminantes a la hora de realizar la clasificación. Estas
características han sido utilizadas como parámetros en dos
tipos de clasificadores, regresión logística y SVM, siendo
SVM el que lograba unos resultados más compensados
sobre todo el conjunto de imágenes analizado.
Además, se ha demostrado que el uso del conjunto de
características propuestas mejora considerablemente los
resultados obtenidos frente a contemplar solamente el
CDR, que es lo más extendido en la literatura. Por otro
lado, cabe destacar que el método presentado es sensible a
la vez de específico, lo que mejora otras alternativas del
estado del arte.
En lo que se refiere a líneas futuras, debería realizarse una
amplia validación de la segmentación de la copa óptica.
Esta validación y, también la del método de clasificación,
deberían realizarse sobre un conjunto de datos
independiente no utilizado en el entrenamiento de los
algoritmos.
Agradecimientos
Este trabajo ha sido financiado por el Ministerio de
Economía y Competitividad, proyecto ACRIMA
(TIN2013-46751-R), y parcialmente por proyectos
Consolider-C (SEJ2006-14301/PSIC), “CIBER of
Physiopathology of Obesity and Nutrition, an initiative of
ISCIII” y el Programa de Investigación de Excelencia
PROMETEO (Generalitat Valenciana. Consellería de
Educación, 2008-157). Además, queremos mostrar
nuestro agradecimiento al Servicio de Oftalmología de
Hospital 12 de Octubre de Madrid y al Departamento de
Electrónica de la Universidad de Alcalá por facilitarnos el
acceso a su base de datos.
Referencias
[1] American Academy of Ophthalmology. Glaucoma -
Lifelong Education for the Ophthalmologist, 2012.
[2] Khan, F., Khan, S., Yasin, U., Ul Haq, I., Qamar, U.
Detection of glaucoma using retinal fundus images.
Biomedical Engineering International Conference, 2013,
pages 1-5.
[3] Kumar, M. and Dandapat, S. Techniques of glaucoma
detection from color fundus images: A review. I.J. Image,
Graphics and Signal Processing, 2012, 9:44-51.
[4] González Martin-Moro, J. Manual CTO de Medicina y
Cirugía. Oftalmología. CTO Editorial.
[5] Harizman, N., Oliveira, C., Chiang, A., Tello, C., Marmor,
M., Ritch, R., Liebmann, J.M. The ISNT Rule and
Differentiation of Normal From Glaucomatous Eyes. Arch
Ophthalmol. 2006, 124(11):1579-1583.
[6] Román, R., Barea, R., Boquete, L., López, E., Campos, J.,
de Pablo, L., Escot, D., de Santiago, L., Ortiz, M. (2013).
Color analysis in retinography: Glaucoma image detection.
XIII Mediterranean Conference on Medical and Biological
Engineering and Computing, 2013.
[7] Fumero, F., Alayon, S., Sanchez, J., Sigut, J., and
Gonzalez-Hernandez, M. Rim-one: An open retinal image
database for optic nerve evaluation. Computer-Based
Medical Systems (CBMS), 2011 24th International
Symposium on, 2011, pages 1-6.
[8] Dept. Computer Science of Erlangen-Nuremberg
University. High-resolution fundus (HRF) image database.
https://www5.cs.fau.de/research/data/fundus-images/
(Consultada: Septiembre 2014).
[9] Morales, S., Naranjo, V., Angulo, J., and Alcañiz, M.
Automatic detection of optic disc based on PCA and
mathematical morphology. IEEE Transactions on Medical
Imaging, 2013, vol. 32, no. 4, pp. 786-796.
[10] Jolliffe, I. T. Principal Component Analysis, 2nd ed.
Springer, 2002.
[11] Bertalmio, M., Sapiro, G., Caselles, V., and Ballester, C.
Image inpainting. Proceedings of the 27th annual
conference on Computer graphics and interactive
techniques, 2000, pages 417-424.
[12] MacQueen, J. Some methods for classification and analysis
of multivariate observations. In Proc. of the fifth Berkeley
Symposium on Mathematical Statistics and Probability,
1967, volume 1, pages 281-297.
[13] Beucher, S. and Meyer, F. Mathematical Morphology in
Image Processing. E. Dougherty Ed., 1992.
[14] Angulo, J. and Jeulin, D. Stochastic watershed
segmentation. Proc. of the 8th International Symposium on
Mathematical Morphology, 2007, pages 265-279.
[15] Zahn, C.T., Roskies, R.Z. Fourier descriptors for plane
closed curves, IEEE Transactions on Computers, 1972, vol.
c-21, no. 3, p.p 269–281.
[16] Le Cessie, S., van Houwelingen, J.C. Ridge Estimators in
Logistic Regression. Applied Statistics,1992,41(1):191-201.
[17] Chang, C.C., Lin, C.J. LIBSVM - A Library for Support
Vector Machines, 2001.
http://www.csie.ntu.edu.tw/~cjlin/libsvm/ (Consultada:
Septiembre 2014).