Segmentación de vasos sanguíneos de retina usando selección de características mediantes distancia de bhattacharyya y algoritmos genéticos, para un clasificador por maximización de la entropía

Abstract

La segmentación de vasos sanguíneos en imágenes digitales permite tener un método no invasivo de diagnosticar enfermedades como diabetes, hipertensión y algunas enfermedades cardiovasculares. Puede servir en la implementación de programas para la detección temprana de varias enfermedades de la retina y también para la identificación biométrica basada en la forma de los vasos sanguíneos. La segmentación manual de vasos sanguíneos de retina es una tarea que consume mucho tiempo y requiere entrenamiento y habilidad. Los vasos sanguíneos en la retina están compuestos de arterias y venas que se presentan como líneas oscuras en un fondo relativamente uniforme. La dificultad de su segmentación se debe a su forma, tamaño y luminosidad altamente variables, ruido en la imagen, además de su cruce y bifurcación. En los métodos para la segmentación automática de vasos previamente publicados en revistas internacionales están aquellos que obtienen un vector de características por pixel utilizando el canal verde de la imagen y la respuesta a un filtro gaussiano en 5 escalas que ocupa k-vecinos más cercanos (KNN) como clasificador. Otro método crea un vector de 27 características y usa k-vecinos más cercanos como clasificador. Otro método extrae un vector de 5 características, incluyendo el canal verde y la respuesta a filtros Gabor en 4 escalas y usa un clasificador bayesiano. En esta tesis se propone un método de segmentación automática de vasos sanguíneos de cuatro etapas. Primero, se extrae el canal verde de la imagen, ya que es donde más destacan los vasos sanguíneos. A continuación se efectúa una ecualización de histograma adaptiva para mejorar el contraste entre los pixeles del fondo y de los vasos sanguíneos. Luego se aplica un banco de filtros correspondientes a una suma de filtros Gabor, obteniendo como resultado el máximo de las respuestas al banco de filtros. Finalmente, se segmenta la respuesta al banco de filtros usando un umbral calculado con la maximización de la entropía de la matriz de co-ocurrencia. Para la optimización de los parámetros y evaluación de resultados se utilizó la base de datos DRIVE ya que es una base de datos marcada y disponible internacionalmente, que permite comparar los resultados obtenidos con otros publicados previamente. La optimización de los parámetros de la ecualización de histograma adaptiva y la elección del canal verde se realizó maximizando la distancia de Bhattacharyya entre las clases de vasos sanguíneos y fondo de las imágenes. Los parámetros de los filtros fueron optimizados mediante algoritmos genéticos, maximizando el accuracy de la segmentación. De las 40 imágenes de la base de datos DRIVE se eligieron 10 para el conjunto de entrenamiento y 10 para el de validación. El conjunto de prueba usa las 20 imágenes estándares. Los resultados muestran que la precisión obtenida para el conjunto de prueba fue de 0,9462, lo que es similar a los resultados obtenidos por las mejores publicaciones en la misma base de datos y a la obtenida por el segundo experto humano (0,9473). Al comparar con uno de los métodos con mejores resultados (precisión de 0,9466), el tiempo de segmentación disminuyó de 120[s] en el trabajo previo, a 5[s] en el método propuesto. En comparación con los resultados de una implementación de redes neuronales convolucionales, ésta tardó más (170[s]) y su precisión fue menor que con el método propuesto. Por lo tanto el método propuesto muestra una precisión cercana a la máxima previamente publicada pero con un tiempo de procesamiento mucho menor. A futuro el método podría paralelizarse para mejorar aún más su tiempo de cómputo.