Deteccion Del DO

Proyecto Fin de Carrera
Ingeniería de Telecomunicación
Detección del borde del disco óptico en retinografías

basadas en level set con caracterización de color y textura
Autora: Victoria de Castro García

Tutora: Irene Fondón García
Equation Chapter 1 Section 1
Dep. Teoría de la Señal y Comunicaciones

Escuela Técnica Superior de Ingeniería
Universidad de Sevilla
Sevilla, 2015
Proyecto Fin de Carrera
Ingeniería de Telecomunicación
Detección del borde del disco óptico en retinografías

basadas en level set con caracterización de color y textura
Autora:
Victoria de Castro García
Tutora:
Irene Fondón García
Profesora contratada doctora
Dep. de Teoría de la Señal y Comunicaciones

Escuela Técnica Superior de Ingeniería
Universidad de Sevilla
Sevilla, 2015
iii
Proyecto Fin de Carrera: Detección del borde del disco óptico en retinografías basadas en level set con
caracterización de color y textura
Autora: Victoria de Castro García
Tutora: Irene Fondón García
El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros:
Presidente:
Vocales:
Secretario:
Acuerdan otorgarle la calificación de:
Sevilla, 2015
El Secretario del Tribunal
v
Paso corto, vista larga y mala
leche.
A vosotros
vii
Agradecimientos
Ahora que finaliza esta etapa de mi vida, creo necesario acordarme de los que siempre estuvieron ahí.
Por un lado, agradecer a mi tutora, Irene, todo el apoyo brindado en este proyecto. Por saber comprender
que estaba en una época en la que tenía que compaginar muchas cosas, por darme mi espacio y por
apoyarme y ayudarme en todo momento con la alegría y el positivismo que la caracteriza.
En segundo lugar a mis padres y mi hermana, por darme su apoyo, su comprensión, mi espacio cuando lo
necesitaba, y por intentar comprender donde estaba metida y que no les podía dedicar todo el tiempo que
me reclamaban. Nunca podré agradeceros todo el apoyo y el esfuerzo que habéis hecho por mí. Habéis
sido mi motivación en todo momento y una de las principales razones por las que ahora mismo estoy
poniendo punto y final a esta larga y difícil etapa. Al fin y al cabo, este proyecto comenzó a gestarse con
una conversación entre hermanas en una sala de espera, en tiempos difíciles.
A las personas que perdí en el camino pero que dejaron su presencia en la formación de mi carácter y mis
primeros valores. Quienes a temprana edad me brindaron su apoyo y me permitieron aprender lo esencial
para la vida. Quienes siempre estuvieron ahí, y aunque ya no estén se encargaron de dejar una huella
profunda para sentirlos cerca cada día. Quienes echo de menos día tras día y sé que estarían orgullosos.
A ti, que hiciste el camino más fácil. Porque cada lágrima a tu lado fue menos amarga, porque las alegrías
compartidas fueron más dulces, por todos esos momentos en los que las fuerzas flaqueaban y
conseguíamos sacarlas juntos, porque este camino ha sido compartido en todo momento, en su parte triste
y en su parte más amable, por ayudarme a ver la luz y el final. Por todo el apoyo que nos hemos brindado,
y saber entender que necesitaba en cada momento. No sé si he sabido decirte y demostrarte lo mucho que
te quiero, te he querido y te querré. Gracias.
Y por último a todas las personas que he perdido en el camino debido a esta etapa, y a los que todavía me
siguen aguantando, aquellas personas que creyeron que no llegaría al final, y por aquellas que me
mostraron su apoyo en todo momento, día a día, aunque las cosas se tornaran oscuras y no se viera la luz.
Gracias a todos ellos porque han forjado mi carácter, y me han hecho ser quién soy hoy en día. Porque
hay cosas que nunca cambian, y algunas que sí.
ix
Resumen
El objetivo de este proyecto es obtener un método automático para la segmentación del disco óptico en
retinografías, basado en los componentes de color y textura. La utilidad principal de este proyecto es de ser un
instrumento útil para las disciplinas médicas para detectar posibles casos de glaucoma o retinopatía diabética.
Este proyecto está basado en un artículo, publicado en la revista IEEE Transactions on medical image, llamado
“Optic Disk and Cup Segmentation From Monocular Color Retinal Images for Glaucoma Assessment”[1],
cuyos autores son: Gopal Datt Joshi, Jayanthi Sivaswamy y S.R. Krishnadas. En este artículo se expone un
método novedoso de extracción del disco óptico y la excavación, basada en la curvatura de los vasos
sanguíneos. En este proyecto nos vamos a centrar en el apartado del disco óptico.
Este artículo nos presenta como novedad la implementación de un algortimo basado en la textura de la imagen,
no solo en el color como era habitual hasta este momento. La textura la proporcionará distintos algoritmos y
filtros aplicados a la imagen.
Por último, se realizarán cálculos estadísticos para cuantificar la sensibilidad y la robustez del método
propuesto, tras realizar una batería de pruebas en 55 retinografías pertenecientes a dos bases de datos distintas,
estando los resultados certificados por un especialista previamente.
xi
Abstract
The objective of this project is to obtain an automatic method for segmentation of the optic disc in retinal,
based on color and texture components. The main utility of this project is to be a useful tool for medical
disciplines to detect possible cases of glaucoma or diabetic retinopathy instrument.
This project is based on an article, published in the journal IEEE Transactions on medical image, called "Optic
Disk Cup and Segmentation From Monocular Color Retinal Images for Glaucoma Assessment"[1], authored
by: Gopal Datt Joshi, Jayanthi Sivaswamy and SR You krishnadas. In this paper a novel method for extracting
the optical disc and excavation based on the curvature of blood vessels exposed. In this project we will focus
on the section of the optical disc.
This article presents novelty implementing a system based on image texture algorithm, not only in color as
usual until now. The texture will be provided by different algoritms and filters applied to the image.
Finally, statistical calculations were performed to quantify the sensitivity and robustness of the proposed
method, after performing a battery of tests on 55 retinographies belonging to two different databases, the
results being certified specialist beforehand.
xiii
Índice
Agradecimientos ix
Resumen xi
Abstract xiii
Índice xiv
Índice de Figuras xvi
Notación xviii
1 Introducción 1
1.1 Objetivo 1
1.2 El ojo 1
1.2.1 Fondo del ojo 2
1.2.2 Principales defectos y enfermedades del ojo 2
1.3 Glaucoma 3
2 Estado del arte 7
2.1 Segmentación basada en la transformada de Hough 7
2.2. Contornos activos 8
2.3. Método de Chan Vese 8
3 Utilidad de la segmentación 11
3.1 Monocular CFI 11
3.2 Importancia de la segmentación del disco óptico 11
4 Algoritmo implementado 11
4.1 Localización del disco óptico 12
4.2 Eliminación de vasos sanguíneos 12
4.3 Inpainting 14
4.4 Segmentación en el plano multi-dimensional 14
4.4.1 Filtro gaussiano 14
4.4.2 Filtro de Gabor 14
4.5 Método de Chan-Vese 15
4.6 Interpolación 15
4.7 Cálculo de estadísticas 15
5 Resultados 17
5.1 Resultado nº 1. 18
5.2 Resultado nº 2 20
6 Resultados Globales 58
7 Conclusiones y Líneas futuras 59
Referencias 60
xv
ÍNDICE DE FIGURAS
Figura 1-1. Partes del ojo. 1

Figura 1-2. Retinografía. 2
Figura 1-3. Segmentación del disco óptico. 4
Figura 1-4. Retinografía de un ojo con glaucoma. 4
Figura 1-5. Visión de un paciente con glaucoma 5
Figura 2-1. Segmentación del disco óptico mediante la transformada de Hough 7
Figura 2-2. Resultados del método de Chan-Vese con diferentes valores de µ 9
Figura 2-3. Resultados del método de Chan-Vese con diferentes valores de υ 9
Figura 2-4. Resultados del método de Chan-Vese con diferente número de iteraciones. 10
Figura 4-1. Imagen descompuesta en los planos de color 12
Figura 4-2. Centro y radio del disco óptico obtenido por la transformada de Hough 12
Figura 4-3. Preprocesado. 13
Figura 4-4. Líneas centrales. 13
Figura 4-5. Máscara final. 13
Figura 4-6. Inpainting. 14
xvii
Notación
A* Conjugado
c.t.p. En casi todos los puntos
c.q.d. Como queríamos demostrar
∎ Como queríamos demostrar
e.o.c. En cualquier otro caso
e número e
IRe Parte real
IIm Parte imaginaria
sen Función seno
tg Función tangente
arctg Función arco tangente
sen Función seno
sinxy Función seno de x elevado a y
cosxy Función coseno de x elevado a y
Sa Función sampling
sgn Función signo
rect Función rectángulo
Sinc Función sinc
∂y ∂x Derivada parcial de y respecto
x◦ Notación de grado, x grados.
Pr(A) Probabilidad del suceso A
SNR Signal-to-noise ratio
MSE Minimum square error
: Tal que
< Menor o igual
> Mayor o igual
\ Backslash
⇔ Si y sólo si
1 INTRODUCCIÓN
Nunca consideres el estudio como una obligación, sino

como una oportunidad para penetrar en el bello y
maravilloso mundo del saber.
- Albert Einstein -
1.1 Objetivo
El análisis automático de las retinografías está surgiendo como una herramienta importante para la detección
temprana de enfermedades oculares. El glaucoma es una de las causas más comunes en la ceguera. El examen
manual del disco óptico es el procedimiento estándar para la detección del glaucoma. En este proyecto se
presenta una técnica de parametrización automática basada en la segmentación del disco óptico obtenido de
retinografías. En este método se integra la información local alrededor de cada punto de interés en el espacio
multi dimensional para aportar robustez contra las variaciones encontradas en la región del disco óptico.
1.2 El ojo
Los ojos son órganos visuales que detectan la luz y la convierten en impulsos electroquímicos que viajan a
través de neuronas. El ojo es un sistema óptico complejo que capta la luz de los alrededores, regula su
intensidad a través de un diafragma (pupila), enfoca el objetivo gracias a una estructura ajustable de lentes
(cristalino) para formar la imagen, que luego convierte en un conjunto de señales eléctricas que llega al cerebro
a través de rutas neuronales complejas que conecta mediante el nervio óptico el ojo a la corteza visual y otras
áreas cerebrales.
Su forma es aproximadamente esférica, mide 2,5 cm de diámetro, y está lleno de un gel transparente llamado
humor vítreo que rellena el espacio comprendido entre la retina y el cristalino. En la porción anterior del ojo se
encuentran dos pequeños espacios: la cámara anterior que está situada entre la córnea y el iris, y la cámara
posterior que se ubica entre el iris y el cristalino. Estas cámaras están llenas de un líquido que se llama humor
acuoso, cuyo nivel de presión, llamado presión intraocular, es muy importante para el correcto funcionamiento
del ojo.
Figura 1-1. Partes del ojo.
1
2 Introducción
Para que los rayos de luz que penetran en el ojo se puedan enfocar en la retina, se deben refractar. La cantidad
de refracción requerida depende de la distancia del objeto al observador. Un objeto distante requerirá menos
refracción que uno más cercano. La mayor parte de la refracción ocurre en la córnea, que tiene una curvatura
fija. Otra parte de la refracción requerida se da en el cristalino. El cristalino puede cambiar de forma,
aumentando o disminuyendo así su capacidad de refracción. Al envejecer, el ser humano va perdiendo esta
capacidad de ajustar el enfoque, deficiencia conocida como presbicia.
El órgano de la visión está compuesto por los párpados, los globos oculares, el aparato lagrimal y
los músculos oculares externos. El globo ocular mide unos 25 mm de diámetro y se mantiene en su
posición gracias a los músculos extraoculares. La visión binocular, con la participación de ambos ojos,
permite apreciar las imágenes en tres dimensiones.
La pared del ojo está formada por tres capas:
 La capa externa, que incluye la esclerótica (espesa, resistente y de color blanco) y en la parte anterior
la córnea transparente.
 La capa media, incluye coroides, que contiene abundantes vasos sanguíneos, y el tejido
conjuntivo del cuerpo ciliar y el iris.
 La capa interna se llama retina, en la que se encuentran las células sensibles a la luz (los bastones y los
conos), recubiertas por una lámina externa de células epiteliales cúbicas que contienen melanina.
Externamente, la retina descansa sobre la coroides; internamente, está en contacto con el humor vítreo.
1.2.1 Fondo del ojo

Para explorar el fondo de ojo, el médico se sirve de un oftalmoscopio e instila en el ojo una sustancia que
dilata las pupilas. De esta forma puede observar las porciones internas del órgano, la retina y sus vasos
sanguíneos, la papila óptica, la coroides y el humor vítreo, así como detectar diversas enfermedades,
como un desprendimiento de retina o signos dehipertensión arterial o diabetes que a veces se reflejan en
la retina.
Figura 1-2. Retinografía.

En este examen pueden visualizarse múltiples anomalías, algunas de las más usuales son las hemorragias
en la retina y la presencia de exudados de diferentes tipos. Muchas enfermedades no oculares dan
manifestaciones características que son detectables mediante esta exploración.
1.2.2 Principales defectos y enfermedades del ojo
 Ceguera: pérdida total o muy severa de la capacidad visual. Una persona ciega es incapaz de percibir
la forma de los objetos, aunque puede conservar una mínima función que le permita distinguir entre
luz y oscuridad. Según datos de la OMS, en el mundo existen 45 millones de personas ciegas, la
mayoría de las cuales viven en países en vías de desarrollo. A nivel mundial, las principales causas
Detección del borde del disco óptico en retinografías basadas en level set con caracterización de color y textura 3
son: catarata (48%), glaucoma (12%), degeneración macular asociada con la edad (9%), opacidad de
la córnea (5%), retinopatía diabética (5%).
 Miopía: Es un defecto del ojo en el que el punto focal se forma delante de la retina, en lugar de en la
misma retina como sería normal. Esta anomalía ocasiona dificultad para ver de lejos. El sujeto verá
mal todo aquel objeto situado a partir de una cierta distancia. La causa más frecuente es el aumento
del diámetro anteroposterior del globo ocular.
 Hipermetropía: es un defecto del ojo, en el cual los rayos de luz que inciden en el mismo
procedentes del infinito, forman el foco en un punto situado detrás de la retina. Se trata por lo tanto de
un defecto refractivo inverso al de la miopía. A diferencia de la miopía no es progresiva y tampoco
suele producir complicaciones.
 Astigmatismo: es un defecto de refracción que se produce debido a que existe diferente capacidad de
refracción entre dos meridianos oculares y en consecuencia los objetos se ven desenfocados.
Generalmente está originado por una curvatura irregular en la zona anterior de la córnea, de tal forma
que la refracción del meridiano vertical es diferente a la del horizontal.
 Catarata: es una opacidad del cristalino (la lente del ojo) que pierde su transparencia habitual. Como
consecuencia la luz penetra con dificultad en el ojo, lo cual ocasiona pérdida de visión progresiva, que
puede llegar a ser total, si no se realiza el tratamiento adecuado. Este consiste en una intervención
quirúrgica mediante la cual se extirpa el cristalino y se coloca en su lugar una lente intraocular.
 Glaucoma: es una enfermedad ocular causada por la elevación de la presión intraocular del ojo. La
presión intraocular está determinada por el equilibrio entre la producción y reabsorción del humor
acuoso. Si el canal por donde se drena el humor acuoso se obstruye, el líquido no se elimina y la
presión intraocular aumenta en exceso. El glaucoma es una afección que puede ser grave. Si no se
trata a tiempo, puede generar la pérdida de la visión. Será deallado en el apartado siguiente.
1.3 Glaucoma
El glaucoma es una de las causas más comunes de ceguera con una previsión de 79 millones de personas
afectadas en el año 2020. Esta enfermedad está caracterizada por la degeneración progresiva del nervio óptico
y cambios en la estructura de éste el cual afecta al disco óptico, la capa del nervio y un fallo del campo de
visión. Por lo tanto, el glaucoma es asintomático en las fases tempranas y las pérdidas de visión no pueden ser
recuperadas. Es el diagnóstico temprano el que nos puede ayudar a prevenir daños visuales.
El disco óptico está situado en la salida del ganglio del ojo que forma el nervio óptico a través del cual,
mediante los fotoreceptores, se forma la imagen. El disco óptico se puede dividir en dos zonas: una zona
central brillante llamada la ‘excavación’ y una región perimetral que es la que confoma el disco óptico.Una
pérdida en las fibras del nervio óptico derivan en un cambio en la apariencia del disco óptico, así mismo, se
alarga la región de la excavación.
3
4 Introducción
Figura 1-3. Segmentación del disco óptico.
En la mayoría de los tipos de glaucoma, el sistema de drenaje del ojo se tapa y el fluido intraocular no puede
drenar. Al acumularse, causa un aumento de presión en el interior del ojo que daña al nervio óptico que es muy
sensible, llevando a la pérdida de la visión. En el ojo existen millones de fibras nerviosas que van desde su
retina al nervio óptico, las cuales se juntan en el disco óptico. Conforme aumenta la presión del fluido dentro
de su ojo, daña estas fibras nerviosas que son muy sensibles y empiezan a morir.Al ocurrir esto, el disco óptico
comienza a hacerse hueco rechazando las fibras del nervio óptico, el cual adoptará la forma de copa o curva. Si
la presión se mantiene muy alta por demasiado tiempo se puede dañar el nervio óptico, resultando en pérdida
de la visión.
El glaucoma suele estar presente en ambos ojos, pero por lo general la presión intraocular se empieza a
acumular primero en uno solo. Este daño puede causar cambios graduales en la visión y, posteriormente,
pérdida de la misma. Con frecuencia, la visión periférica (lateral) se afecta primero, por lo que inicialmente el
cambio de la visión suele ser pequeño y no se nota. Con el tiempo, la visión central (directa) también se
empezará a perder.
Figura 1-4. Retinografía de un ojo con glaucoma.
En la forma más común del glaucoma, la acumulación de la presión del fluido ocurre lentamente. Con
frecuencia, no hay síntomas molestos o dolorosos. En las variedades menos frecuentes de glaucoma los
síntomas pueden ser más severos, e incluye los siguientes:
 Visión borrosa
 Dolor de ojos y de cabeza
 Náuseas y vómito
 La aparición de halos color arcoiris alrededor de las luces brillantes

 Pérdida repentina de la visión
Figura 1-5. Visión de un paciente con glaucoma
El glaucoma puede afectar a las personas de todas las edades, desde los bebés hasta los adultos mayores.
Aunque todos estamos a riesgo, las personas con mayor riesgo para el glaucoma son los mayores de 60 años,
los parientes de personas con glaucoma, las personas de ascendencia africana, los diabéticos, los que usan
esteroides de manera prolongada y las personas con presión intraocular elevada (hipertensos oculares).
Los investigadores y los médicos todavía no están seguros de por qué los canales de drenaje del ojo dejan de
funcionar correctamente. Lo que sí sabemos es que el glaucoma no se desarrolla por leer mucho, leer con poca
luz, por la dieta, por usar lentes de contacto, ni por otras actividades cotidianas.También sabemos que el
glaucoma no es contagioso ni amenaza la vida y rara vez causa ceguera si se detecta a tiempo y se trata
correctamente.
Los médicos recomiendan que la revisión para glaucoma constituya parte de los exámenes oculares de rutina
en niños, adolescentes y adultos.Todas las personas deben hacerse exámenes integrales para despistaje de
glaucoma alrededor de los 40 años, posteriormente cada dos o cuatro años. Si se posee mayor riesgo para
desarrollar la enfermedad, debe hacerse el examen cada uno o dos años a partir de los 35 años de edad.
La pérdida de visión causada por el glaucoma es irreversible, pero si se detecta a tiempo y se sigue un
tratamiento con cuidado y constancia, se puede conservar la visión. Por lo general, el glaucoma se puede
controlar con medicamentos o cirugía. Si se le diagnostica esta enfermedad, es importante que siga un plan de
tratamiento sin faltas.
Por todo ello, es importante la detección del glaucoma, lo cual se intenta desarrollar y mejorar en este
proyecto.
5
6 Introducción
2 ESTADO DEL ARTE
ARA la detección del glaucoma se suele utilizar el historial médico, la presión intraocular y las pruebas
P de la pérdida del campo visual del paciente junto con la valoración manual del disco óptico. Aunque el
alargamiento de la excavación respecto al disco óptico es un indicador importante de la progresión del
glaucoma, varios parámetros son tenidos en cuenta para observar el estadio del glaucoma. Estos parámetros
incluyen el diámetro y el área del disco óptico, el diámetro de la excavación, la profundidad media de la
excavación, etc. La subjetividad en la estimación manual de los parámetros de la excavación se compensa
usando procedimientos avanzados. Estos métodos proporcionan una información de profundidad 3D y la
forma y color. El contorno del disco óptico es marcado manualmente por los expertos para obtener esos
parámetros. Así mismo, se están implementando diferentes soluciones CAD para su automatización. A
continuación se especifican los métodos conocidos en la actualidad.
2.1 Segmentación basada en la transformada de Hough

La transformada de Hough es un algoritmo empleado en reconocimiento de patrones que permite encontrar
ciertas formas dentro de una imagen, tales como líneas, círculos, etc. Explícitamente, la transformada de
Hough circular sirve para la detección de los círculos, los cuales pueden ser descritos mediante su centro y su
radio. Para la detección del disco óptico con este método se utiliza el canal rojo de la imagen en el modelo de
color RGB.
Para evitar circunferencias espúreas obtenidas con la transformada de Hough producto de otros objetos
circulares en la imagen como pueden ser el marco alrededor de la misma imagen de retina, la conjunción de
exudados, etc, es necesario poner límites en el radio, diámetro u otras condiciones.
Figura 2-1. Segmentación del disco óptico mediante la transformada de Hough
Trabajos que utilizan la transformada de Hough circular arrojan resultados con precisiones entre el 72% y
97.5%, lo que demuestra que es un método eficiente y robusto para la detección del disco óptico.
Existe también la transformada de Hough modificada, en los cuales unimos el método de contornos activos
con la transformada. No obstante, aun contando con estos métodos, el algoritmo de contornos activos pueden
fallar y cambiar la polaridad de la segmentación. Esto quiere decir que en lugar de ir cerrando paulatinamente
el contorno claro y detectar el disco, puede abrirse y salirse del margen de la circunferencia resultado de la
transformada de Hough modificada.
7
8 Estado del arte
2.2. Contornos activos

El primer modelo activo lo propone en 1987 Kass y desde entonces se han ido desarrolando otros modelos
basados en este. El modelo activo snake o contorno activo deformable como también se le conoce, es
presentado matemáticamente como una curva v[s]=[x(s),y(s)] que se mueve en el espacio constantemente
dentro de un número de iteraciones que se puede interpretar como una secuencia de tiempo. El parámetro s,
que está representado con ambas variables en el espacio (x,y), representa la curva ubicada en el espacio que en
este caso es la imagen de operación. Existe otro parámetro relacionado con el número de iteraciones
representadas para desenvolverse.
Los inconvenientes que presenta este método son la posibilidad de que en el proceso iterativo que establece la
ecuación, un punto de control sobrepase el contorno deseado y no pueda retomar su camino hacia el disco
óptico en el peor de los casos. Por ello existen variantes, como es el modelo de contorno activo con fuerza
externa de flujo de vector de gradiente (GVF).
Chenyang Xu propone en 1999 un modelo de contorno activo en donde expone una fuerza general con las
ventajas de que los puntos de control se puden ubicar en puntos lejanos al contorno y que se puedan cerrar
contornos que presenten concavidades.
2.3. Método de Chan Vese

Consiste en la minimización de la energía. Se parte de que la imagen está formada por dos regiones de
intensidades aproximadamente constantes, una interior al borde que define el objeto y otra exterior.
A este modelo se le añaden términos de regularización, como la longitud de la curva y el área de la región, de
tal forma que el funcional de energía quedará de la siguiente manera:
𝐹(𝑐1 , 𝑐2 , 𝐶) = 𝜇 · 𝐿𝑜𝑛𝑔𝑖𝑡𝑢𝑑(𝐶) + 𝜐 · Á𝑟𝑒𝑎(𝐶) + 𝜆1 ∫ |𝑢0 (𝑥, 𝑦) − 𝑐1 |2 𝑑𝑥𝑑𝑦

𝑖𝑛𝑡(𝐶)
+ 𝜆2 ∫ |𝑢0 (𝑥, 𝑦) − 𝑐2 |2 𝑑𝑥𝑑𝑦

𝑒𝑥𝑡(𝐶)
(2–1)
Con las expresiones de longitud y área, y la función escalón H(z) y delta de Dirac δ(z) se obtiene el funcional
de energía definitivo, que se pretenderá minimizar para obtener forma segmentada.
𝐹(𝑐1 , 𝑐2 , 𝜙) = 𝜇 ∫ 𝛿(𝜙(𝑥, 𝑦))|∇𝜙(𝑥, 𝑦)| 𝑑𝑥𝑑𝑦 + 𝜈 ∫ 𝐻(𝜙(𝑥, 𝑦))𝑑𝑥𝑑𝑦

Ω Ω
+ 𝜆1 ∫ |𝑢0 (𝑥, 𝑦) − 𝑐1 |2 𝐻(𝜙(𝑥, 𝑦))𝑑𝑥𝑑𝑦

𝑖𝑛𝑡(𝐶)
+ 𝜆2 ∫ |𝑢0 (𝑥, 𝑦) − 𝑐2 |2 (1 − 𝐻(𝜙(𝑥, 𝑦)))𝑑𝑥𝑑𝑦

𝑒𝑥𝑡(𝐶)
(2–2)
El algoritmo propuesto en este proyecto consiste en una modificación de este método.

Uno de los inconvenientes que presenta el método de Chan-Vese es que solo ofrece una segmentación en dos
fases. Existen extensiones de este método las cuales han sido desarrolladas para la segmentación de curvas y
segmentación multifase.
Los parámetros más importantes son:

 µ: es el parámetro más importante. Este parámetro ajusta la longitud, el cual decide entre un ajuste
más exacta (valor menor) o para seleccionar un límite más suavizado.
Figura 2-2. Resultados del método de Chan-Vese con diferentes valores de µ
 υ: este parámetro establece la región del área dentro de la curva. Este solo es útil cuando hay una
segmentación interior y exterior. En la imagen a continuación se muestran la evolución después de
850 iteraciones con valores diferentes de este parámetro.
Figura 2-3. Resultados del método de Chan-Vese con diferentes valores de υ

 Inicialización: el método de Chan-Vese tiene varias opciones de inicialización. Usando una región
inicial, puede ser segmentados objetos específicos. En la imagen que se muestra a continuación se
muestran tres tipos de inicialización.
10 Estado del arte
Figura 2-4. Resultados del método de Chan-Vese con diferente número de iteraciones.
3 UTILIDAD DE LA SEGMENTACIÓN
OMO se ha comentado en capítulos anteriores, resulta de utilidad los programas y la segmentación de
C imágenes para poder clasificar y detectar los posibles glaucomas. Hasta ahora, los métodos eran
manuales, es decir, el especialista con la retinografía señalaba de forma totalmente subjetiva el disco
óptico. El algoritmo y la segmentación propuestos tiene como objetivo ayudar y diagnosticar posibles
glaucomas y retinopatías diabéticas.
Las retinografías se obtienen de una manera no invasiva. El objetivo es realizar un programa que, de manera
automática, pueda decidir si hay sospechas o no de la enfermedad. Existen estudios para detectar el glaucoma
automáticamente en imágenes 3-D. Sin embargo, debido a su alto coste es inviable para los centros de atención
primaria. Por lo tanto, el objetivo de este proyecto es desarrolar un sistema de preprocesado para detectar
glaucoma usando CFI (color fundus images) de forma no invasiva y totalmente automática, que pueda usarse
en estos centros con un coste bajo.
En este proyecto, nos centramos en la parametrización del disco óptico de monoculares CFI.
3.1 Monocular CFI

Este método nos proporciona una proyección 2D de la estructura de la retina, donde el disco óptico aparece
como una región brillante circular o elíptica, parcialmente oculto por los vasos sanguíneos. El nervio óptico
converge en el disco óptico y forma una zona llamada “excavación”. La segmentación del disco óptico es una
tarea complicada debido a la cantidad de vasos sanguíneos que se encuentran a su alrededor. Los especialistas
médicos usan la apariencia y su conocimiento anatómico paradeterminar la región dada solo por una imagen
monocular, detectando así el glaucoma.
Este conocimiento médico ha sido aplicado para métodos automáticos de detección con la estimación del ratio
del diámetro cup-to-disk. Este método se ha demostrado que es inconsistente en la mayoría de los discos
ópticos dañados por el glaucoma. De hecho, algunas pacientes tienen un ratio CDR pequeño con una pequeña
pérdida del campo de visión y otros con un coeficiente CDR alto y también una pequeña pérdida. Esto es
debido a que el ratio no puede tener en cuenta algunas configuraciones de la excavación óptica. Por lo tanto, se
ha incluido un nuevo método para la detección del glaucoma, basado en el daño que existe en el disco óptico.
3.2 Importancia de la segmentación del disco óptico
Debido a lo anteriormente expuesto, una precisa segmentación del disco óptico y de la excavación es esencial
para una mejor localización del borde neurorretiniano (neuroretinal rim) para permitir nuevos métodos de
evaluación que consideran otros factores además del ratio CDR, comentado en el apartado anterior. El
esquema propuesto de la segmentación del disco óptico consiste en dos métodos nuevos. Es un método
robusto a las variaciones cercanas a la región del disco óptico.
La segmentación del disco óptico no está limitado a la detección de glaucomas. Es una tarea fundamental para
el procesado de imágenes de retina y para medidas de la retinopatía diabética.
Como hemos comentado en el capítulo anterior, anteriormente se había modelado el disco óptico con forma
circular o elíptica. Esta aproximación es utilizada para extraer el borde del disco óptico. Esta aproximación no
tiene en cuenta los vasos sanguíneos alrededor del disco óptico. Para contrarrestarlo, se puede realizar un paso
de preprocesado consistente en suprimir esos vasos. El contorno circular es mejorado considerando la
información de intensidad de la parte exterior e interior de la imagen.
11
12 Utilidad de la segmentación
Para capturar las irregularidades del disco óptico, se utilizan diversos métodos basados en gradientes y el
active contour. En estas aproximaciones, el contorno es inicializado manualmente o automáticamente y la
deformación del contorno se realiza mediante el término de energía definido en el gradiente de la imagen. La
estrategia es aplicar el vector gradiente (GVF) basado en el modelo de active contour para la detección del
disco. Esto es mejorado con un paso de preprocesado o aplicando al resultado de la segmentación una
aproximación circular o elíptica, como la operación de ellipse fitting. Esto condiciona la forma de las
irregularidades del disco óptico, por lo que se suele aplicar una aproximación de snake.
Más recientemente, el trabajo en los active contours se ha enfocado en la aproximación de la región, basada en
el modelo Mumford-Shah (explicado en el capítulo anterior) Las ventajas de esa aproximación es la robustez
ante variaciones del gradiente, la segmentación en el color e imágenes multi-espectrales, la baja sensibilidad
para la inicialización del contorno y el ruido y la mayor capacidad de detectar concavidades en los objetos. Sin
embargo, hay ocasiones en las que no es fácil la segmentación en términos estadísticos globales, por lo que se
pueden obtener segmentaciones erróneas. Para mejorar esto, el método de Chan-Vese (C-V) ha sido
modificado para incorporar una componente circular.
En este proyecto se propondrá un nuevo modelo de segmentación del disco óptico, basado en el artículo
anteriormente descrito[1], que se basa en el modelo de región-bases para mejorar la segmentación del disco
óptico. Para ello, este modelo integra mucha información de múltiples canales y no impone ninguna constante
de forma, la cual es una buena solución para la segmentación del disco óptico.
4 ALGORITMO IMPLEMENTADO
n este capítulo vamos a describir el algoritmo que se ha implementado para la segmentación del disco
E óptico. El método está basado en el artículo: 2.4. “Optic disk and Cup segmentation from monocular
color retinal images for glaucoma assessment”, Gopal Datt Joshi, Jayanthi Sivaswamy and S.R.
Krishnadas[1].
El artículo defiende que es posible adquirir imágenes de manera no invasiva y, mediante sistemas autómaticos
de segmentación de imágenes, es posible decidir sobre si hay posibilidad de enfermedad o no. Anteriormente,
se han publicado artículos para la detección del glaucoma sgmentando el disco óptico sin parametrización, con
parametrización usando stereo CFI y con parametrización con monocular CFI.
El método que se presenta, que será explicado detalladamente a continuación, consiste en dos novedosos
métodos de segmentación del disco óptico y de la excavación. El método propuesto es robusto a las
variaciones de las zonas alrededor del disco óptico.A continuación se muestra un diagrama en el que se detalla
los pasos a seguir y todos los puntos más relevantes.
Leer imagen
Redimensionar
la imagen
Cálculo de vasos
(Mendonça)
Extracción de vasos
(inpainting)
Cálculo de filtro Cálculo de filtro

gaussiano de Gabor
Imagen filtrada
Chan-Vese
Disco óptico
final
11
12
Algoritmo implementado
4.1 Localización del disco óptico

El primer paso es localizar el disco óptico y extraer la región de interés para el proceso completo. El plano rojo
presenta una buena definición del disco óptico, por lo que es una buena opción para localizarlo.
Figura 4-1. Imagen descompuesta en los planos de color
La inicialización del contorno es el paso esencial para la evolución del active contour. En este método se
realiza la localización y la inicialización realizando una transformada de Hough en el mapa.
La transformada de Hough nos da como resultado el centro de los puntos más brillantes, como se ha explicado
en el apartado anterior. Como es posible que obtengamos varios círculos, se ha tomado como criterio que el
radio del disco óptico debe ser aproximadamente 1/7 del radio del ojo.
Figura 4-2. Centro y radio del disco óptico obtenido por la transformada de Hough
4.2 Eliminación de vasos sanguíneos

Como se ha comentado en apartados anteriores, es necesario realizar la eliminación de los vasos sanguíneos.
En el artículo no especifican el modelo empleado. Detallan que son identificados mediante una técnica basada
en curvatura y que son eliminadas selectivamente con los píxeles más cercanos en ocho direcciones.
12
Detección del borde del disco óptico en retinografías basadas en level set con
caracterización de color y textura 13
Sin embargo, el método que se ha escogido en este proyecto para la eliminación de los vasos ha sido el
algoritmo Mendonça. Éste es un método de extracción de vasos, que se basa en analizar la imagen completa y
tener en cuenta ciertas características anatómicas que puedan delatar la presencia de un vaso. Es un método
automático y ofrece unos rendimientos y sensibilidad muy buenos. El inconveniente es el tiempo de
computación, ya que es complejo.
Tiene tres fases principales:
 Pre-procesado: en esta fase se normaliza el fondo de la imagen y se realzan los vasos finos.
Figura 4-3. Preprocesado.

 Detección de líneas centrales de vasos: se seleccionan los candidatos a líneas centrales, se unen los
puntos obtenidos y se validan, combinando los resultados y obteniendo las líneas centrales.
Figura 4-4. Líneas centrales.

 Segmentación de vasos: se aplica una transformada con el objetivo de mejorar los vasos, se
reconstruyen morfológicaente y por último se hace un rellenado de vasos, con un proceso de
crecimiento de la región.
Figura 4-5. Máscara final.

14
4.3 Inpainting
Tras realizar la detección de los vasos, obtenemos una máscara binaria donde los vasos serán representados
por un ‘1’ y las otras zonas como zonas oscuras (‘0’). A continuación es necesario eliminarlos. Este paso se
realiza mediante un inpainting en ocho direcciones.
Este proceso consiste en realizar una serie de iteraciones en la matriz de la imagen, comparando ambas
imágenes, la máscara y la imagen RGB.
Iterativamente, se va realizando un escalado de la imagen. En cada iteración se realiza una suavización de la
imagen respecto a la máscara de los vasos que se le ha aportado. Así mismo, se calcula la diferencia entre la
imagen anterior y la obtenida actualmente. En el momento en el que la diferencia sea despreciable, se finaliza
el algoritmo.
Este paso es muy importante ya que hay que tener cuidado de no perder ningún punto de interés que pueda
perjudicar la segmentación del disco óptico.
Figura 4-6. Inpainting.
4.4 Segmentación en el plano multi-dimensional

Una de las novedades que se presentan en este proyecto es el uso de textura para la segmentación del disco
óptico. Para ello, además del plano de la imagen de la retinografía que obtenemos inicialmente, se realizarán
dos planos más para obtener textura en la imagen. Así, la segmentación y representación es obtenida del
espacio del color y de la textura. En condiciones normales y para la mayoría de las imágenes, el plano rojo es
el que proporciona un mejor contraste del disco óptico. Para caracterizar mejor el disco óptico en las
situaciones patológicas que nos ocupa, se añaden dos texturas derivadas.
4.4.1 Filtro gaussiano
El primer filtro es uno sencillo. Consiste en un filtro gaussiano a la imagen. Está compuesto por tres filtros,
que luego se realiza un promedio y obtenemos el primer plano de textura.
Los parámetros para los tres filtros son:
 σ = √2
 σ = 2√2
 σ = 2
4.4.2 Filtro de Gabor
El segundo filtro propuesto es un filtro de Gabor. Es definido por la siguiente expresión (4-1):
2
𝑐
𝜋𝜏𝑐 −( )
𝐿(𝑐, 𝜎, 𝜏) = 𝐿0 (𝜎, 𝜏) + cos ( 𝜎 ) 𝑒 2𝜎2 (4–1)
14
donde τ es el número de ciclos de la función armónica con la envolvente gaussiana del filtro, normalmente
utilizada en los filtros de Gabor. La componente de continua es añadida para obtener un cero. Las respuestas
de este filtro son obtenidas por tres pares de filtros:
 (𝜎, 𝜏) = (4,2)
 (𝜎, 𝜏) = (6,3)
 (𝜎, 𝜏) = (8,3)
Se suman todos los resultados para obtener regularidad en el segundo plano de textura en un nivel más fino.
La elección del plano de textura se basa en la ayuda que nos proporciona para distinguir el disco óptico.
4.5 Método de Chan-Vese

Cuando obtenemos la imagen con los tres planos (plano rojo, textura 1 y textura 2), podemos proceder a la
aplicación del método de Chan-Vese. Como se ha explicado en capítulos anteriores, los parámetros más
importantes son: µ, υ y el número de iteracione.
En el artículo en el que se basa este proyecto no se especifica ningún valor de estos parámetros, por lo tanto los
hemos elegido basándonos en nuestra propia experiencia realizando pruebas en las diferentes imágenes.
 µ=0.2 : para la precisión que necesitamos, era el valor más cercano (ver figura x).
 inicialización: los puntos de inicialización los elegimos tras aplicar la transformada de Hough y
obtener el centro aproximado del disco óptico.
 Número de iteraciones: aproximadamente 500 iteraciones.
4.6 Interpolación
Tras realizar el algoritmo Chan-Vese obtenemos una región delimitada por una curva donde está contenido el
disco óptico. Para finalizar se realiza una interpolación para suavizar los bordes y obtener el disco óptico final.
4.7 Cálculo de estadísticas

Tras obtener el contorno del disco óptico, es necesario realizar unos cálculos para ver la sensibilidad y la
fiabilidad del algoritmo implementado.
Se tendrán en cuenta dos coeficientes:
 Precisión:
𝑡𝑝
𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 =
𝑡𝑝 + 𝑓𝑝
 Recall:
𝑡𝑝
𝑟𝑒𝑐𝑎𝑙𝑙 = 𝑡𝑝+𝑓𝑛
siendo tp el número de positivos reales, fp el número de falsos positivos y fn el número de falsos negativos.
16
Para apreciar los resultados mejor se calcula un coeficiente denominado ‘F-score’. Es definido como:
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 · 𝑅𝑒𝑐𝑎𝑙𝑙
𝐹=2
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑅𝑒𝑐𝑎𝑙𝑙
El valor de F-score varía entre 0 y 1 y para que el método sea efectivo, F debe de tener un valor alto dentro del
rango.
16
5 RESULTADOS
Nuestra recompensa se encuentra en el esfuerzo y no en

el resultado. Un esfuerzo total es una victoria completa.
- Mahatma Gandhi-
n este capítulo vamos a presentar los resultados más relevantes obtenidos de la implementación del
E algoritmo. Las pruebas se han realizado sobre imágenes de bases de datos públicas, en concreto, las
bases de datos DRIVE y DIARETDB1. Se ha realizado sobre 55 retinografías.
A continuación se presentan los resultados de las 20 retinografías más relevantes. En la imagen final podemos
observar dos curvas: una en color azul que corresponde al disco óptico segmentado por un especialista y una
curva color verde que es la obtenida por el algoritmo implementado.
Así mismo, podemos observar en cada resultado una comparación con los otros métodos explicados en el
Capitulo 2. Por último, se recoge una tabla explicativa en la que se especifican los resultados de los
coeficientes y un campo de observaciones de los resultados.
18
Resultados
5.1 Resultado nº 1.
Información de la imagen
Base de datos DRIVE
Imagen 01_test.tif
Imagen original Máscara vasos sanguíneos
Imagen sin vasos
Imagen final
18
Coeficientes estadísticos
tp 2306
Precision 90,32%
fp 247
Recall 100%
fn 0
F 94,92%
Comentarios
El resultado es bastante bueno. El contorno se asemeja bastante al obtenido por un especialista, pero está
sobrepasado superiormente. Respecto a los otros métodos, vemos que es bastante mejor que los otros.
Otros resultados
Original
Especialista (manual)
Transformada de Hough
Chan Vese original
Resultado final
20
Resultados
5.2 Resultado nº 2
Base de datos DIARETDB1
Imagen Image042.tif
Imagen sin vasos
Imagen final
20
tp 5400
Precision 94,99%
Fp 285
Recall 87,05%
Fn 803
F 90,84%
Comentarios
El resultado es bastante bueno. El contorno se asemeja bastante al obtenido por un especialista, y está
centrado. Respecto a los otros métodos, vemos que es bastante mejor que los otros.
Otros resultados
Original
Chan Vese original
Resultado final
22
Resultados
5.3 Resultado nº 3
Base de datos DIARETDB1
Imagen Image087.tif
Imagen sin vasos
Imagen final
22
tp 7991
Precision 95,88%
fp 343
Recall 89,05%
fn 983
F 92,34%
Comentarios
El resultado es bastante bueno. El contorno se asemeja bastante al obtenido por un especialista, y está
centrado. Respecto a los otros métodos, vemos que también son bastante efectivos en este caso.
Otros resultados
Original
Chan Vese original
Resultado final
24
Resultados
5.4 Resultado nº 4
Base de datos DRIVE
Imagen 04_test.tif
Imagen sin vasos
Imagen final
24
tp 2577
Precision 95,20%
fp 130
Recall 100,00%
fn 0
F 97,54%
Comentarios
El resultado es bueno. El contorno se ajusta al delimitado por el especialista aunque está ligeramente
sobrepasado. Respecto a los otros métodos, vemos que es mucho mejor.
Otros resultados
Original
Chan Vese original
Resultado final
26
Resultados
5.5 Resultado nº 5
Base de datos DRIVE
Imagen 05_test.tif
Imagen sin vasos
Imagen final
26
tp 2505
Precision 87,10%
fp 371
Recall 100,00%
fn 0
F 93,10%
Comentarios
El resultado es bastante bueno. El contorno se asemeja bastante al obtenido por un especialista, pero
sobrepasa lateralmente. Respecto a los otros métodos, vemos que es bastante mejor que los otros.
Otros resultados
Original
Chan Vese original
Resultado final
28
Resultados
5.6 Resultado nº 6
Base de datos DRIVE
Imagen 06_test.tif
Imagen sin vasos
Imagen final
28
tp 2213
Precision 93,41%
fp 156
Recall 84,63%
fn 402
F 88,80%
Comentarios
El resultado no es lo suficientemente bueno. El contorno se asemeja bastante al obtenido por un especialista,
pero no está centrado. Respecto a los otros métodos, vemos que es bastante mejor que los otros.
Otros resultados
Original
Transformada de Hough No detectado
Chan Vese original No detectado
Resultado final
30
Resultados
5.7 Resultado nº 7
Base de datos DRIVE
Imagen 07_test.tif
Imagen sin vasos
Imagen final
30
tp 2836
Precision 92,71%
fp 223
Recall 74,47%
fn 972
F 82,60%
Comentarios
Otros resultados
Original
Chan Vese original
Resultado final
32
Resultados
5.8 Resultado nº 8
Base de datos DRIVE
Imagen 08_test.tif
Imagen sin vasos
Imagen final
32
tp 5830
Precision 92,45%
fp 476
Recall 81,19%
fn 1351
F 86,45%
Comentarios
desplazado. Respecto a los otros métodos, vemos que es mucho mejor, ya que los otros no son concluyentes.
Otros resultados
Original
Chan Vese original
Resultado final
34
Resultados
5.9 Resultado nº 9
Base de datos DRIVE
Imagen 09_test.tif
Imagen sin vasos
Imagen final
34
tp 3385
Precision 94,32%
fp 204
Recall 93,59%
fn 232
F 93,95%
Otros resultados
Original
Resultado final
36
Resultados
5.10 Resultado nº 10
Base de datos DRIVE
Imagen 10_test.tif
Imagen sin vasos
Imagen final
36
tp 2660
Precision 84,20%
fp 499
Recall 81,79%
fn 592
F 82,98%
Comentarios
Otros resultados
Original
Resultado final
38
Resultados
Base de datos DRIVE
Imagen 11_test.tif
Imagen sin vasos
Imagen final
38
tp 2947
Precision 98,00%
fp 60
Recall 87,01%
fn 440
F 92,18%
Comentarios
Esto sucede ya que el plano rojo no aporta información. En el método propuesto lo suplimos con la textura,
pero en los otros métodos, al no tener esa información y saturar el plano, no funciona.
Otros resultados
Original
Resultado final
40
Resultados
Base de datos DIARETBD1
Imagen image002.png
Imagen sin vasos
Imagen final
40
tp 3920
Precision 96,29%
fp 151
Recall 88,87%
fn 491
F 92,43%
Comentarios
El resultado es bueno, pero no recoge la parte inferior. El contorno se asemeja bastante al obtenido por un
especialista, y está centrado pero no cubre el área completa. Respecto a los otros métodos, vemos que es
bastante mejor que los otros, ya que uno es mayor y otro no tiene la forma correcta.
Otros resultados
Original
Chan Vese original
Resultado final
42
Resultados
Imagen image005.png
Imagen sin vasos
Imagen final
42
tp 3607
Precision 95,80%
fp 158
Recall 93,25%
fn 261
F 94,51%
Comentarios
El resultado es bastante bueno, casi perfecto. El contorno se asemeja bastante al obtenido por un especialista,
y está centrado. Respecto a los otros métodos, vemos que es bastante mejor que los otros. La transformada
de Hough vemos que ni siquiera lo representa bien.
Otros resultados
Original
Chan Vese original
Resultado final
44
Resultados
Imagen image008.png
Imagen sin vasos
Imagen final
44
tp 3400
Precision 88,36%
fp 448
Recall 89,57%
fn 396
F 88,96%
Comentarios
Otros resultados
Original
Chan Vese original
Resultado final
46
Resultados
Imagen image009.png
Imagen sin vasos
Imagen final
46
tp 6547
Precision 95,63%
fp 299
Recall 94,81%
fn 358
F 95,22%
Comentarios
El resultado es muy bueno. El contorno se asemeja bastante al obtenido por un especialista, y está centrado.
Respecto a los otros métodos, vemos que es bastante mejor que los otros, en concreto en Chan-Vese original
es bastante peor.
Otros resultados
Original
Chan Vese original
Resultado final
48
Resultados
Imagen image015.png
Imagen sin vasos
Imagen final
48
tp 5770
Precision 98,01%
fp 117
Recall 91,14%
fn 561
F 94,45%
Comentarios
El resultado no es muy bueno. El contorno deja fuera una parte del disco óptico pero está centrado. Respecto
a los otros métodos, vemos que es bastante mejor que los otros, en concreto en Chan-Vese original es peor.
Otros resultados
Original
Chan Vese original
Resultado final
50
Resultados
Imagen image017.png
Imagen sin vasos
Imagen final
50
tp 5483
Precision 91,00%
fp 542
Recall 92,77%
fn 427
F 91,88%
Comentarios
El resultado es muy bueno. El contorno se ajusta muy bien al delimitado por el especialista y está centrado.
Respecto a los otros métodos, vemos que es bastante mejor que los otros.
Otros resultados
Original
Chan Vese original
Resultado final
52
Resultados
Imagen image018.png
Imagen sin vasos
Imagen final
52
tp 5373
Precision 87,97%
fp 735
Recall 93,26%
fn 388
F 90,54%
Comentarios
El resultado es muy bueno. El contorno se ajusta muy bien al delimitado por el especialista y está centrado,
aunque presenta una deformación elíptica. Respecto a los otros métodos, vemos que es bastante mejor.
Otros resultados
Original
Chan Vese original
Resultado final
54
Resultados
Imagen image028.png
Imagen sin vasos
Imagen final
54
tp 5412
Precision 92,63%
fp 430
Recall 92,32%
fn 450
F 92,48%
Comentarios
El resultado es muy bueno. El contorno se ajusta muy bien al delimitado por el especialista y está centrado.
Respecto a los otros métodos, vemos que es bastante mejor, sobre todo comparado con Hough.
Otros resultados
Original
Chan Vese original
Resultado final
56
Resultados
Imagen image029.png
Imagen sin vasos
Imagen final
56
tp 6868
Precision 91,62%
fp 628
Recall 90,70%
fn 704
F 91,16%
Comentarios
El resultado es bueno. El contorno se ajusta al delimitado por el especialista aunque está desplazado.
Respecto a los otros métodos, vemos que es bastante mejor, sobre todo comparado con Chan-Vese.
Otros resultados
Original
Chan Vese original
Resultado final
58
Resultados Globales
6 RESULTADOS GLOBALES
- Precisión media: 92,79%

- Recall medio: 90,27%
- Factor F medio: 91,37%
58
7 CONCLUSIONES Y LÍNEAS FUTURAS
En este proyecto se ha presentado una solución para la detección del glaucoma, el cual se obtiene tras aplicar
diversos parámetros geométricos al disco óptico. Es conocido que en la segmentación manual puede haber
diferencias entre especialistas, por lo que este método, al ser completamente automático, minimiza dicho error.
Como novedad, al incluir el modelo de active contour proporciona robustez a la segmentación del disco
óptico. Así nos permite una evaluación más exhaustiva del disco y realizar un diagnóstico del glaucoma
teniendo más parámetros conocidos. Esto ha sido posible gracias al modelo de Chan-Vese, incluyendo
información de la imagen y del contorno, como por ejemplo la textura. Este es uno de los puntos más
interesantes y novedosos del método propuesto, ya que se incluye información de múltiples canales. Otro
aspecto interesante del método es que no es necesario incluir ningún parámetro de entrada, es totalmente
automático.
Los resultados obtenidos tras aplicarlo en diferentes imágenes han sido realmente buenos. Se han elegido dos
bases de datos de imágenes distintas para poder ponderar el método en imágenes con distintas características,
ya que no siempre se van a poder obtener conla mejor calidad. Así mismo, también se han realizado pruebas
con ojos enfermos y ojos sanos, viendo que en ambos casos el resultado es realmente bueno. Por último, para
poder comparar con los otros métodos, se han aplicado estos a 20 imágenes, obteniendo que el método
propuesto es muy superior a los anteriormente descritos.
Como conclusión final, consideramos que es un método efectivo, que puede ser implementado en un futuro
para su detección.
Las líneas futuras que tendríamos que tener en cuenta serían:
 Otros espacios de color: el método propuesto se ha probado en imágenes en RGB. Sería interesante
continuar la investigación en otros espacios de color, como pueden ser CMYK.
 Combinar otras texturas: en el método propuesto se han usado dos texturas, obtenidas mediante tres
filtros gaussianos ponderados y tres filtros de Gabor ponderados. Se podría investigar sobre otro tipo
de filtros y su eficacia.
 Intregración con la excavación(‘cup’) : en el artículo en el que se ha basado este proyecto [1], se
especifica un método para la detección de la excavación, por lo que sería interesante realizar su
implementación e incorporarla a este método.
60
Referencias
REFERENCIAS
[1] Optic Disk and Cup Segmentation From Monocular Color Retinal Images for Glaucoma
Assessment. Joshi, Gopal Datt, Sivaswamy, Jayanthi y Krishnadas, S.R. 6, 2011, IEEE
Transactions on Medical Imaging, Vol. 30, págs. 1192-1205.
[2] Glaucoma Research Foundation. Learn about Glaucoma. [En línea] 2014.
http://www.glaucoma.org/glaucoma/.
[3] Segmentation of Optic Disk in Fundus Images. S.Vasanthi, B.E, M. Tech, R. Anand, y otros. [En línea]
2012. http://www.ijcse.com/docs/INDJCSE12-03-02-031.pdf
[4] Segmentación del disco óptico en imágenes de retina mediante la tranformada de Hough y los
contornos activos. José Abel de la Fuente-Arriaga, Edgardo Felipe-Riverón, Eduardo Garduño-Calderón.
2012. Revista: "Research in computing Science, Advances in computing science. November 2012, Mexico
DF. Vol 58. ISSN: 1870-4069
[5] Chan-Vese Segmentation. Pascal Getreuer, Yale university.[En línea].

http://www.ipol.im/pub/art/2012/g-cv/article.pdf
[6] Kande, G.B.; Venkata Subbaiah, P. y Satya Savithri, T. “Segmentation of Exudates and
Optic Disk in Retinal Images”. Sixth Indian Conference on Computer Vision, Graphics & Image
Processing, 2008. pp. 535-542.
[7] Lee, S. S., et al. “Screening of Diabetic Retinopathy - Automatic Segmentation of Optic
Disc in Colour Fundus Images”. The 2nd International Conference on Distributed Frameworks
for Multimedia Applications, 2006. pp. 1-7.
[8] Zhu, X.; RanGayyan, R. M. y Ells, A. L. “Detection of the Optic Nerve Head in Fundus
Images of the Retina using the Hough Transform for Circles”. Journal of Digital Imaging, 2010,
vol. 23, no. 3. pp. 332-341.
60

Deteccion Del DO

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Deteccion Del DO

Cargado por

Copyright:

Formatos disponibles

Proyecto Fin de Carrera

Detección del borde del disco óptico en retinografías

Autora: Victoria de Castro García

Equation Chapter 1 Section 1

Dep. Teoría de la Señal y Comunicaciones

Detección del borde del disco óptico en retinografías

Dep. de Teoría de la Señal y Comunicaciones

Autora: Victoria de Castro García

Tutora: Irene Fondón García

Acuerdan otorgarle la calificación de:

El Secretario del Tribunal

Figura 1-1. Partes del ojo. 1

Nunca consideres el estudio como una obligación, sino

Figura 1-1. Partes del ojo.

1.2.1 Fondo del ojo

Figura 1-2. Retinografía.

1.2.2 Principales defectos y enfermedades del ojo

Figura 1-3. Segmentación del disco óptico.

Figura 1-4. Retinografía de un ojo con glaucoma.

 La aparición de halos color arcoiris alrededor de las luces brillantes

Figura 1-5. Visión de un paciente con glaucoma

2.1 Segmentación basada en la transformada de Hough

Figura 2-1. Segmentación del disco óptico mediante la transformada de Hough

2.2. Contornos activos

2.3. Método de Chan Vese

𝐹(𝑐1 , 𝑐2 , 𝐶) = 𝜇 · 𝐿𝑜𝑛𝑔𝑖𝑡𝑢𝑑(𝐶) + 𝜐 · Á𝑟𝑒𝑎(𝐶) + 𝜆1 ∫ |𝑢0 (𝑥, 𝑦) − 𝑐1 |2 𝑑𝑥𝑑𝑦

+ 𝜆2 ∫ |𝑢0 (𝑥, 𝑦) − 𝑐2 |2 𝑑𝑥𝑑𝑦

𝐹(𝑐1 , 𝑐2 , 𝜙) = 𝜇 ∫ 𝛿(𝜙(𝑥, 𝑦))|∇𝜙(𝑥, 𝑦)| 𝑑𝑥𝑑𝑦 + 𝜈 ∫ 𝐻(𝜙(𝑥, 𝑦))𝑑𝑥𝑑𝑦

+ 𝜆1 ∫ |𝑢0 (𝑥, 𝑦) − 𝑐1 |2 𝐻(𝜙(𝑥, 𝑦))𝑑𝑥𝑑𝑦

+ 𝜆2 ∫ |𝑢0 (𝑥, 𝑦) − 𝑐2 |2 (1 − 𝐻(𝜙(𝑥, 𝑦)))𝑑𝑥𝑑𝑦

El algoritmo propuesto en este proyecto consiste en una modificación de este método.

Los parámetros más importantes son:

Figura 2-2. Resultados del método de Chan-Vese con diferentes valores de µ

Figura 2-3. Resultados del método de Chan-Vese con diferentes valores de υ

OMO se ha comentado en capítulos anteriores, resulta de utilidad los programas y la segmentación de

3.1 Monocular CFI

3.2 Importancia de la segmentación del disco óptico

Cálculo de filtro Cálculo de filtro

4.1 Localización del disco óptico

Figura 4-1. Imagen descompuesta en los planos de color

4.2 Eliminación de vasos sanguíneos

Figura 4-3. Preprocesado.

Figura 4-4. Líneas centrales.

Figura 4-5. Máscara final.

Figura 4-6. Inpainting.

4.4 Segmentación en el plano multi-dimensional

4.4.1 Filtro gaussiano

4.4.2 Filtro de Gabor

4.5 Método de Chan-Vese

4.7 Cálculo de estadísticas

Nuestra recompensa se encuentra en el esfuerzo y no en

Base de datos DRIVE

Imagen original Máscara vasos sanguíneos

Imagen sin vasos

Chan Vese original

Base de datos DIARETDB1

Imagen original Máscara vasos sanguíneos

Imagen sin vasos

Chan Vese original

Base de datos DIARETDB1

Imagen original Máscara vasos sanguíneos

Imagen sin vasos