ReDiS

Técnicas de análisis de imagen aplicadas a imágenes de fondo de ojo
Este proyecto busca aplicar técnicas avanzadas de análisis imagen sobre imágenes de fondo de ojo para ayudar al estudio de la retina y al diagnóstico de diferentes patologías.
Descripción: 

Este proyecto engloba dos subproyectos (010-ABEL-IM-2013 y 011-ABEL-IM-2013) y es fruto de la colaboración entre la Universidad Politécnica de Valencia y la Universidad de Stavanger (Noruega). Ambos subproyectos han sido financiados por el Progama NILS Ciencia y Sostenibilidad (http://www.nilsmobilityproject.es/) a través del Mecanismo Financiero del EEE. La colaboración entre ambas instituciones ha permitido a la Universidad de Stavanger conocer nuevas e interesantes aplicaciones y a la Universidad Politécnica de Valencia involucrarse en el uso de nuevas técnicas.

SUBPROYECTO 1: CRIBADO DE ENFERMEDADES RETINIANAS MEDIANTE EL USO DE PATRONES BINARIOS LOCALES SOBRE IMÁGENES DE FONDO DE OJO

Clasificar imágenes retinianas para detectar la presencia de enfermedades es básicamente una tarea de reconocimiento de patrones. Los oftalmólogos se entrenan para reconocer esas lesiones, por lo que los programas de cribado automáticos son altamente beneficiosos ya que reducen su carga de trabajo.

Este subproyecto se centra en la detección y clasificación automática de diferentes lesiones retinianas. Su objetivo principal es desarrollar un sistema ayuda al diagnóstico que pueda detectar, mediante el análisis de imagen, los patrones específicos de las causas más comunes de ceguera de la sociedad actual.

Durante el desarrollo del subproyecto se han evaluado diferentes descriptores de texturas y clasificadores analizando su capacidad de discriminar las texturas de una imagen de fondo de ojo. En concreto, se ha profundizado en el uso de los patrones binarios locales.

Durante la ejecución de este subproyecto se abordó la clasificación de una imagen como sana o patológica, discriminando, a su vez, entre la retinopatía diabética (RD) y la degeneración macular asociada a la edad (DMAE). Los resultados obtenidos son prometedores. Se ha logrado una precisión del 82% al distinguir entre las tres clases (normal, RD y DMAE) y un 91% si el análisis se realiza sólo sobre las imágenes patológicas. Los mejores resultados fueron obtenidos al discriminar una imagen normal de otra con DMAE, alcanzando en ese caso una precisión de más del 95%.

SUBPROYECTO 2: CRIBADO DE ENFERMEDADES RETINIANAS MEDIANTE REPRESENTACIÓN DISPERSA Y APRENDIZAJE BASADO EN DICCIONARIOS

La representación dispersa (sparse representation) de señales e imágenes es una rama en expansión del procesamiento de señales que se le ha dado mucha atención en la comunidad científica durante la última década. La representación dispersa utilizando aprendizaje basado en diccionarios es un modelo de señal con muchas aplicaciones posibles, como la eliminación de ruido, el inpainting o restauración de píxeles perdidos o deteriorados, descripción de texturas, etc.

El objetivo principal de este subproyecto fue conocer la base teórica y la implementación de esta técnica de procesado de señal aplicándola a las imágenes de la retina para el cribado de enfermedades oftalmológicas.

Como se describe en el anterior subproyecto, para detectar patologías oftalmológicas basadas en el análisis de imagen de retinas el primer paso es detectar diferentes patrones como los microaneurismas, exudados, hemorragias, etc., y las características más significativas de dichas texturas que permitirán clasificar las imágenes como sanas o patológicas. Para ello, surge la necesidad de evitar las estructuras principales de las imágenes de la retina, como los vasos, debido a que estas estructuras se consideran “interferencias” en el proceso de detección de patrones significativos de cada enfermedad. Una forma de no tenerlas en cuenta en el proceso de extracción de características es segmentar los vasos y construir una máscara que indique a los algoritmos de las regiones de interés en las que tienen que analizar las características. Sin embargo, este método provoca zonas de alto gradiente entre la máscara y la región de interés que provoca falsos positivos en la clasificación. Además, un falso positivo incluido en la máscara puede eliminar regiones de interés que no se tendrán en cuenta en el proceso de clasificación.

Para tratar de minimizar estos problemas, en lugar de enmascarar la imagen, la idea es interpolar las áreas bajo la máscara con la información de la misma de otras imágenes utilizando técnicas inpainting. Así, el primer paso en un sistema automático de detección será la detección los vasos y el inpainting de estas áreas previamente a las etapas de extracción de características y clasificación.

En este subproyecto se han aplicado técnicas de aprendizaje basado en diccionario y representación dispersa para interpolar la información de los vasos como paso previo al sistema de clasificación.

Además, se van a utilizar estas técnicas para clasificar las texturas de la imagen de la retina como textura patológica o no patológica entrenando al sistema con diccionarios aprendidos a partir de imágenes patológicas y sanas de diferentes bases de datos.

Investigadores: 
Año: 
2014