Documentos de Académico
Documentos de Profesional
Documentos de Cultura
4. Resultados
Una vez extraídas las características de la papila (CDR,
(a) 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
(b) conjunto de características propuestas. En la Tabla 1
Figura 4. Proceso de segmentación de la copa óptica utilizando pueden observarse los resultados obtenidos en una
imágenes de entrada diferentes: (a) Componente M del validación cruzada con 10 iteraciones.
espacio CMYK y (b) Primera componente de PCA. Primera
fila: región de interés de la imagen original, imagen de Todas las características Sólo CDR
grises seleccionada, eliminación de los vasos y marcadores Sens. Espec. Sens. Espec.
utilizados. Segunda fila: gradiente de la imagen de entrada
con los vasos eliminados, regiones obtenidas mediante el RL 0.7842 0.5799 0.7785 0.3747
watershed estocástico, unión de las regiones watershed con SVM 0.7223 0.6893 0.6781 0.6681
el contorno suavizado y resultado final.
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
(a) (b) una sensibilidad ligeramente mayor.
Figura 5. Resultado final de la segmentación de la copa óptica Por otro lado, el método propuesto ha sido comparado
utilizando imágenes de entrada diferentes: (a) Componente con un trabajo previo que hacía uso de una de las bases de
M del espacio CMYK y (b) Primera componente de PCA. datos utilizadas [6]. La comparación ha sido realizada
En verde se muestra el disco óptico, en cyan la copa óptica teniendo en cuenta sólo las imágenes del Hospital 12 de
según un experto y en azul la copa obtenida por el método
Octubre de Madrid para que los resultados obtenidos
presentado.
fuesen directamente comparables entre sí. Ver Tabla 2.
Sens. Espec. Referencias
Román et al. [6] 0.9677 0.6820 [1] American Academy of Ophthalmology. Glaucoma -
Lifelong Education for the Ophthalmologist, 2012.
Método propuesto con RL 0.8764 0.7799
[2] Khan, F., Khan, S., Yasin, U., Ul Haq, I., Qamar, U.
Método propuesto con SVM 0.8066 0.9270
Detection of glaucoma using retinal fundus images.
Biomedical Engineering International Conference, 2013,
Tabla 2. Comparación del método propuesto (RL y SVM) con pages 1-5.
el trabajo presentado en [6] sobre la base de datos del
Hospital 12 de Octubre de Madrid. [3] Kumar, M. and Dandapat, S. Techniques of glaucoma
detection from color fundus images: A review. I.J. Image,
Aunque el método de Román et al. [6] consigue una Graphics and Signal Processing, 2012, 9:44-51.
mayor sensibilidad, el algoritmo presentado en este
[4] González Martin-Moro, J. Manual CTO de Medicina y
trabajo es más específico. Ambos términos son Cirugía. Oftalmología. CTO Editorial.
importantes para que un sistema de clasificación
automático sea eficaz. [5] Harizman, N., Oliveira, C., Chiang, A., Tello, C., Marmor,
M., Ritch, R., Liebmann, J.M. The ISNT Rule and
Todos los cálculos han sido realizados en un Intel Core i7 Differentiation of Normal From Glaucomatous Eyes. Arch
a 2.80 GHz con una memoria RAM de 4 GHz. El coste Ophthalmol. 2006, 124(11):1579-1583.
computacional para la segmentación de la copa óptica y la [6] Román, R., Barea, R., Boquete, L., López, E., Campos, J.,
extracción de características es de unos 3 segundos por de Pablo, L., Escot, D., de Santiago, L., Ortiz, M. (2013).
imagen. Color analysis in retinography: Glaucoma image detection.
XIII Mediterranean Conference on Medical and Biological
5. Conclusiones Engineering and Computing, 2013.
El objetivo general de este trabajo ha sido implementar un [7] Fumero, F., Alayon, S., Sanchez, J., Sigut, J., and
algoritmo para la clasificación de pacientes en dos Gonzalez-Hernandez, M. Rim-one: An open retinal image
grupos: sanos o sospechosos de padecer glaucoma. Se ha database for optic nerve evaluation. Computer-Based
centrado en la segmentación de la copa óptica y en el Medical Systems (CBMS), 2011 24th International
análisis posterior de sus características que resultan Symposium on, 2011, pages 1-6.
discriminantes a la hora de realizar la clasificación. Estas [8] Dept. Computer Science of Erlangen-Nuremberg
características han sido utilizadas como parámetros en dos University. High-resolution fundus (HRF) image database.
tipos de clasificadores, regresión logística y SVM, siendo https://www5.cs.fau.de/research/data/fundus-images/
SVM el que lograba unos resultados más compensados (Consultada: Septiembre 2014).
sobre todo el conjunto de imágenes analizado. [9] Morales, S., Naranjo, V., Angulo, J., and Alcañiz, M.
Además, se ha demostrado que el uso del conjunto de Automatic detection of optic disc based on PCA and
características propuestas mejora considerablemente los mathematical morphology. IEEE Transactions on Medical
Imaging, 2013, vol. 32, no. 4, pp. 786-796.
resultados obtenidos frente a contemplar solamente el
CDR, que es lo más extendido en la literatura. Por otro [10] Jolliffe, I. T. Principal Component Analysis, 2nd ed.
lado, cabe destacar que el método presentado es sensible a Springer, 2002.
la vez de específico, lo que mejora otras alternativas del [11] Bertalmio, M., Sapiro, G., Caselles, V., and Ballester, C.
estado del arte. Image inpainting. Proceedings of the 27th annual
conference on Computer graphics and interactive
En lo que se refiere a líneas futuras, debería realizarse una techniques, 2000, pages 417-424.
amplia validación de la segmentación de la copa óptica.
Esta validación y, también la del método de clasificación, [12] MacQueen, J. Some methods for classification and analysis
deberían realizarse sobre un conjunto de datos of multivariate observations. In Proc. of the fifth Berkeley
independiente no utilizado en el entrenamiento de los Symposium on Mathematical Statistics and Probability,
1967, volume 1, pages 281-297.
algoritmos.
[13] Beucher, S. and Meyer, F. Mathematical Morphology in
Agradecimientos Image Processing. E. Dougherty Ed., 1992.
Este trabajo ha sido financiado por el Ministerio de [14] Angulo, J. and Jeulin, D. Stochastic watershed
Economía y Competitividad, proyecto ACRIMA segmentation. Proc. of the 8th International Symposium on
(TIN2013-46751-R), y parcialmente por proyectos Mathematical Morphology, 2007, pages 265-279.
Consolider-C (SEJ2006-14301/PSIC), “CIBER of
[15] Zahn, C.T., Roskies, R.Z. Fourier descriptors for plane
Physiopathology of Obesity and Nutrition, an initiative of closed curves, IEEE Transactions on Computers, 1972, vol.
ISCIII” y el Programa de Investigación de Excelencia c-21, no. 3, p.p 269–281.
PROMETEO (Generalitat Valenciana. Consellería de
Educación, 2008-157). Además, queremos mostrar [16] Le Cessie, S., van Houwelingen, J.C. Ridge Estimators in
nuestro agradecimiento al Servicio de Oftalmología de Logistic Regression. Applied Statistics,1992,41(1):191-201.
Hospital 12 de Octubre de Madrid y al Departamento de [17] Chang, C.C., Lin, C.J. LIBSVM - A Library for Support
Electrónica de la Universidad de Alcalá por facilitarnos el Vector Machines, 2001.
acceso a su base de datos. http://www.csie.ntu.edu.tw/~cjlin/libsvm/ (Consultada:
Septiembre 2014).