1 |
Fundus characterization for automatic disease screening through retinal image processingMorales Martínez, Sandra 30 July 2015 (has links)
[EN] The World Health Organization estimates that in 2010 there were 285 million people visually impaired in the world. It is calculated that the 80\% of these cases are preventable or treatable. In addition, aging population and chronic disease increase are two factors that predict a higher number of blindness cases in the future. Hypertension, diabetic retinopathy (DR), age-related macular degeneration (AMD) and glaucoma are the most common pathologies in the current society that provoke retinal damage and can be directly related to blindness and vision loss. The early diagnosis of these diseases allows, through appropriate treatment, to reduce costs generated when they are in advanced states and may become chronic. This fact justifies screening campaigns. However, a screening campaign requires a heavy workload for trained experts in the analysis of anomalous patterns of each disease, which in addition to the increase of population at risk, makes these campaigns economically unfeasible. Therefore, the need of automatic screening system developments is highlighted.
The final goal of this thesis is the implementation of novel methods that allow the analysis and processing of fundus images to implement an automatic screening of four of the most important diseases that affect world population. In particular, the main objective of the thesis is to build up algorithms for the characterization of the retinal structures and the retina background in order to assist in the discrimination between a ``normal" and pathological retina.
Mathematical morphology along with other operators are used for the detection of the retinal vessels and the optic disk. The proposed methods work properly on databases with a large degree of variability. Not only have the main structures been segmented, but significant features have also been extracted from them to be used in a computer aided diagnosis software for hypertensive risk determination. The texture of the retina background is also analyzed in this work by means of local binary patterns with the aim of identifying DR and AMD and avoiding the need of segmentation of the characteristic retinal lesions of each disease. The results are promising above all for AMD diagnosis. / [ES] La Organización Mundial de la Salud estima que en 2010 había 285 millones de personas con alguna discapacidad visual en el mundo. Se calcula que el 80\% de estos casos son evitables o tratables. Además, el envejecimiento de la población y el aumento de las enfermedades crónicas son dos factores que hacen prever un número todavía mayor de casos de ceguera en el futuro. La hipertensión, la retinopatía diabética (RD), la degeneración macular asociada a la edad (DMAE) y el glaucoma son las enfermedades más comunes que provocan daños en la retina y, por tanto, están directamente relacionadas con la ceguera y con la pérdida de visión. El diagnóstico de estas enfermedades en estadios tempranos permite, mediante el tratamiento adecuado, reducir los costes que generan en estados ya avanzados y que en la mayoría de los casos acaban convirtiéndose en crónicas, lo que justifica la realización de campañas de cribado. Sin embargo, una campaña de cribado exige una gran carga de trabajo de personal experto entrenado en el análisis de los patrones anómalos propios de cada enfermedad, lo que sumado al aumento de la población de riesgo, hace que estas campañas sean inviables económicamente. Por lo tanto, se evidencia la necesidad del desarrollo de sistemas de cribado automáticos.
El objetivo final del presente trabajo es la implementación de métodos novedosos de análisis de imágenes de fondo de ojo para usarlos en un sistema de cribado de cuatro de las enfermedades más importantes que afectan a la población actual. En concreto, el objetivo principal de la tesis es el desarrollo de algoritmos para la caracterización de las estructuras y del fondo retiniano, los cuales servirán de ayuda para discriminar una retina ``normal" de otra patológica.
Para la detección de los vasos retinianos y del disco óptico, se ha usado morfología matemática además de otros operadores. Se ha demostrado que los métodos propuestos para este fin funcionan adecuadamente en bases de datos con un alto grado de variabilidad. No sólo se han segmentado las principales estructuras retinianas, sino que, además, se han extraído sus características más significativas para determinar el riesgo hipertensivo. En este trabajo, también se han analizado las texturas presentes en el fondo de la retina por medio de la teoría de los patrones binarios locales con el objetivo de identificar la RD y la DMAE a la vez que se evita la necesidad de la segmentación de las lesiones específicas de cada enfermedad. Los resultados son prometedores, sobre todo, para la detección de la DMAE. / [CAT] L'Organització Mundial de la Salut estima que en 2010 havia 285 milions de persones amb alguna discapacitat visual en el món. Es calcula que el 80\% d'aquests casos són evitables o tractables. A més, l'envelliment de la població i l'augment de les malalties cròniques són dos factors que fan preveure un número encara major de casos de ceguera en el futur. La hipertensió, la retinopatia diabètica (RD), la degeneració macular associada a l'edat (DMAE) i el glaucoma són les malalties més comuns que provoquen danys en la retina i, per tant, estan directament relacionades amb la ceguera i amb la pèrdua de visió. El diagnòstic d'aquestes malalties en estadis primerencs permet, per mitjà del tractament adequat, reduir els costos que generen en estats ja avançats i que en la majoria dels casos acaben convertint-se en cròniques, la qual cosa justifica la realització de campanyes de garbellament. No obstant això, una campanya de garbellament exigix una gran càrrega de treball de personal expert entrenat en l'anàlisi dels patrons anòmals propis de cada malaltia, que si es suma a l'augment de la població de risc, fa que aquestes campanyes siguen inviables econòmicament. Per tant, s'evidencia la necessitat del desenrotllament de sistemes de garbellament automàtics.
L'objectiu final del present treball és la implementació de mètodes nous d'anàlisi d'imatges de fons d'ull per a usar-los en un sistema de garbellament de quatre de les malalties més importants que afecten la població actual. En concret, l'objectiu principal de la tesi és el desenvolupament d'algoritmes per a la caracterització de les estructures i del fons retinià, els quals serviran d'ajuda per a discriminar una retina ``normal" d'una altra patològica.
Per a la detecció dels vasos retinians i del disc òptic, s'ha usat morfologia matemàtica a més d'altres operadors. S'ha demostrat que els mètodes proposats per a aquest fi funcionen adequadament en bases de dades amb un alt grau de variabilitat. No sols s'han segmentat les principals estructures retinianes, sinó que, a més, s'han extret les seues característiques més significatives per a determinar el risc hipertensiu. En aquest treball, també s'han analitzat les textures presents en el fons de la retina per mitjà de la teoria dels patrons binaris locals amb l'objectiu d'identificar la RD i la DMAE al mateix temps que s'evita la necessitat de la segmentació de les lesions específiques de cada malaltia. Els resultats són prometedors, sobretot, per a la detecció de la DMAE. / Morales Martínez, S. (2015). Fundus characterization for automatic disease screening through retinal image processing [Tesis doctoral]. Editorial Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/53933 / TESIS
|
2 |
Machine Learning for Glaucoma Assessment using Fundus ImagesDíaz Pinto, Andrés Yesid 29 July 2019 (has links)
[ES] Las imágenes de fondo de ojo son muy utilizadas por los oftalmólogos para la evaluación de la retina y la detección de glaucoma. Esta patología es la segunda causa de ceguera en el mundo, según estudios de la Organización Mundial de la Salud (OMS).
En esta tesis doctoral, se estudian algoritmos de aprendizaje automático (machine learning) para la evaluación automática del glaucoma usando imágenes de fondo de ojo. En primer lugar, se proponen dos métodos para la segmentación automática. El primer método utiliza la transformación Watershed Estocástica para segmentar la copa óptica y posteriormente medir características clínicas como la relación Copa/Disco y la regla ISNT. El segundo método es una arquitectura U-Net que se usa específicamente para la segmentación del disco óptico y la copa óptica.
A continuación, se presentan sistemas automáticos de evaluación del glaucoma basados en redes neuronales convolucionales (CNN por sus siglas en inglés). En este enfoque se utilizan diferentes modelos entrenados en ImageNet como clasificadores automáticos de glaucoma, usando fine-tuning. Esta nueva técnica permite detectar el glaucoma sin segmentación previa o extracción de características. Además, este enfoque presenta una mejora considerable del rendimiento comparado con otros trabajos del estado del arte.
En tercer lugar, dada la dificultad de obtener grandes cantidades de imágenes etiquetadas (glaucoma/no glaucoma), esta tesis también aborda el problema de la síntesis de imágenes de la retina. En concreto se analizaron dos arquitecturas diferentes para la síntesis de imágenes, las arquitecturas Variational Autoencoder (VAE) y la Generative Adversarial Networks (GAN). Con estas arquitecturas se generaron imágenes sintéticas que se analizaron cualitativa y cuantitativamente, obteniendo un rendimiento similar a otros trabajos en la literatura.
Finalmente, en esta tesis se plantea la utilización de un tipo de GAN (DCGAN) como alternativa a los sistemas automáticos de evaluación del glaucoma presentados anteriormente. Para alcanzar este objetivo se implementó un algoritmo de aprendizaje semi-supervisado. / [CA] Les imatges de fons d'ull són molt utilitzades pels oftalmòlegs per a l'avaluació de la retina i la detecció de glaucoma. Aquesta patologia és la segona causa de ceguesa al món, segons estudis de l'Organització Mundial de la Salut (OMS).
En aquesta tesi doctoral, s'estudien algoritmes d'aprenentatge automàtic (machine learning) per a l'avaluació automàtica del glaucoma usant imatges de fons d'ull. En primer lloc, es proposen dos mètodes per a la segmentació automàtica. El primer mètode utilitza la transformació Watershed Estocàstica per segmentar la copa òptica i després mesurar característiques clíniques com la relació Copa / Disc i la regla ISNT. El segon mètode és una arquitectura U-Net que s'usa específicament per a la segmentació del disc òptic i la copa òptica.
A continuació, es presenten sistemes automàtics d'avaluació del glaucoma basats en xarxes neuronals convolucionals (CNN per les sigles en anglès). En aquest enfocament s'utilitzen diferents models entrenats en ImageNet com classificadors automàtics de glaucoma, usant fine-tuning. Aquesta nova tècnica permet detectar el glaucoma sense segmentació prèvia o extracció de característiques. A més, aquest enfocament presenta una millora considerable del rendiment comparat amb altres treballs de l'estat de l'art.
En tercer lloc, donada la dificultat d'obtenir grans quantitats d'imatges etiquetades (glaucoma / no glaucoma), aquesta tesi també aborda el problema de la síntesi d'imatges de la retina. En concret es van analitzar dues arquitectures diferents per a la síntesi d'imatges, les arquitectures Variational Autoencoder (VAE) i la Generative adversarial Networks (GAN). Amb aquestes arquitectures es van generar imatges sintètiques que es van analitzar qualitativament i quantitativament, obtenint un rendiment similar a altres treballs a la literatura.
Finalment, en aquesta tesi es planteja la utilització d'un tipus de GAN (DCGAN) com a alternativa als sistemes automàtics d'avaluació del glaucoma presentats anteriorment. Per assolir aquest objectiu es va implementar un algoritme d'aprenentatge semi-supervisat. / [EN] Fundus images are widely used by ophthalmologists to assess the retina and detect glaucoma, which is, according to studies from the World Health Organization (WHO), the second cause of blindness worldwide.
In this thesis, machine learning algorithms for automatic glaucoma assessment using fundus images are studied. First, two methods for automatic segmentation are proposed. The first method uses the Stochastic Watershed transformation to segment the optic cup and measures clinical features such as the Cup/Disc ratio and ISNT rule. The second method is a U-Net architecture focused on the optic disc and optic cup segmentation task.
Secondly, automated glaucoma assessment systems using convolutional neural networks (CNNs) are presented. In this approach, different ImageNet-trained models are fine-tuned and used as automatic glaucoma classifiers. These new techniques allow detecting glaucoma without previous segmentation or feature extraction. Moreover, it improves the performance of other state-of-art works.
Thirdly, given the difficulty of getting large amounts of glaucoma-labelled images, this thesis addresses the problem of retinal image synthesis. Two different architectures for image synthesis, the Variational Autoencoder (VAE) and Generative Adversarial Networks (GAN) architectures, were analysed. Using these models, synthetic images that were qualitative and quantitative analysed, reporting state-of-the-art performance, were generated.
Finally, an adversarial model is used to create an alternative automatic glaucoma assessment system. In this part, a semi-supervised learning algorithm was implemented to reach this goal. / The research derived from this doctoral thesis has been supported by the Generalitat Valenciana under the scholarship Santiago Grisolía [GRISOLIA/2015/027]. / Díaz Pinto, AY. (2019). Machine Learning for Glaucoma Assessment using Fundus Images [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/124351 / TESIS
|
3 |
Fundus image analysis for automatic screening of ophthalmic pathologiesColomer Granero, Adrián 26 March 2018 (has links)
En los ultimos años el número de casos de ceguera se ha reducido significativamente. A pesar de este hecho, la Organización Mundial de la Salud estima que un 80% de los casos de pérdida de visión (285 millones en 2010) pueden ser evitados si se diagnostican en sus estadios más tempranos y son tratados de forma efectiva. Para cumplir esta propuesta se pretende que los servicios de atención primaria incluyan un seguimiento oftalmológico de sus pacientes así como fomentar campañas de cribado en centros proclives a reunir personas de alto riesgo. Sin embargo, estas soluciones exigen una alta carga de trabajo de personal experto entrenado en el análisis de los patrones anómalos propios de cada enfermedad. Por lo tanto, el desarrollo de algoritmos para la creación de sistemas de cribado automáticos juga un papel vital en este campo. La presente tesis persigue la identificacion automática del daño retiniano provocado por dos de las patologías más comunes en la sociedad actual: la retinopatía diabética (RD) y la degenaración macular asociada a la edad (DMAE). Concretamente, el objetivo final de este trabajo es el desarrollo de métodos novedosos basados en la extracción de características de la imagen de fondo de ojo y clasificación para discernir entre tejido sano y patológico. Además, en este documento se proponen algoritmos de pre-procesado con el objetivo de normalizar la alta variabilidad existente en las bases de datos publicas de imagen de fondo de ojo y eliminar la contribución de ciertas estructuras retinianas que afectan negativamente en la detección del daño retiniano. A diferencia de la mayoría de los trabajos existentes en el estado del arte sobre detección de patologías en imagen de fondo de ojo, los métodos propuestos a lo largo de este manuscrito evitan la necesidad de segmentación de las lesiones o la generación de un mapa de candidatos antes de la fase de clasificación. En este trabajo, Local binary patterns, perfiles granulométricos y la dimensión fractal se aplican de manera local para extraer información de textura, morfología y tortuosidad de la imagen de fondo de ojo. Posteriormente, esta información se combina de diversos modos formando vectores de características con los que se entrenan avanzados métodos de clasificación formulados para discriminar de manera óptima entre exudados, microaneurismas, hemorragias y tejido sano. Mediante diversos experimentos, se valida la habilidad del sistema propuesto para identificar los signos más comunes de la RD y DMAE. Para ello se emplean bases de datos públicas con un alto grado de variabilidad sin exlcuir ninguna imagen. Además, la presente tesis también cubre aspectos básicos del paradigma de deep learning. Concretamente, se presenta un novedoso método basado en redes neuronales convolucionales (CNNs). La técnica de transferencia de conocimiento se aplica mediante el fine-tuning de las arquitecturas de CNNs más importantes en el estado del arte. La detección y localización de exudados mediante redes neuronales se lleva a cabo en los dos últimos experimentos de esta tesis doctoral. Cabe destacar que los resultados obtenidos mediante la extracción de características "manual" y posterior clasificación se comparan de forma objetiva con las predicciones obtenidas por el mejor modelo basado en CNNs. Los prometedores resultados obtenidos en esta tesis y el bajo coste y portabilidad de las cámaras de adquisión de imagen de retina podrían facilitar la incorporación de los algoritmos desarrollados en este trabajo en un sistema de cribado automático que ayude a los especialistas en la detección de patrones anomálos característicos de las dos enfermedades bajo estudio: RD y DMAE. / In last years, the number of blindness cases has been significantly reduced. Despite this promising news, the World Health Organisation estimates that 80% of visual impairment (285 million cases in 2010) could be avoided if diagnosed and treated early. To accomplish this purpose, eye care services need to be established in primary health and screening campaigns should be a common task in centres with people at risk. However, these solutions entail a high workload for trained experts in the analysis of the anomalous patterns of each eye disease. Therefore, the development of algorithms for automatic screening system plays a vital role in this field. This thesis focuses on the automatic identification of the retinal damage provoked by two of the most common pathologies in the current society: diabetic retinopathy (DR) and age-related macular degeneration (AMD). Specifically, the final goal of this work is to develop novel methods, based on fundus image description and classification, to characterise the healthy and abnormal tissue in the retina background. In addition, pre-processing algorithms are proposed with the aim of normalising the high variability of fundus images and removing the contribution of some retinal structures that could hinder in the retinal damage detection. In contrast to the most of the state-of-the-art works in damage detection using fundus images, the methods proposed throughout this manuscript avoid the necessity of lesion segmentation or the candidate map generation before the classification stage. Local binary patterns, granulometric profiles and fractal dimension are locally computed to extract texture, morphological and roughness information from retinal images. Different combinations of this information feed advanced classification algorithms formulated to optimally discriminate exudates, microaneurysms, haemorrhages and healthy tissues. Through several experiments, the ability of the proposed system to identify DR and AMD signs is validated using different public databases with a large degree of variability and without image exclusion. Moreover, this thesis covers the basics of the deep learning paradigm. In particular, a novel approach based on convolutional neural networks is explored. The transfer learning technique is applied to fine-tune the most important state-of-the-art CNN architectures. Exudate detection and localisation tasks using neural networks are carried out in the last two experiments of this thesis. An objective comparison between the hand-crafted feature extraction and classification process and the prediction models based on CNNs is established. The promising results of this PhD thesis and the affordable cost and portability of retinal cameras could facilitate the further incorporation of the developed algorithms in a computer-aided diagnosis (CAD) system to help specialists in the accurate detection of anomalous patterns characteristic of the two diseases under study: DR and AMD. / En els últims anys el nombre de casos de ceguera s'ha reduït significativament. A pesar d'este fet, l'Organització Mundial de la Salut estima que un 80% dels casos de pèrdua de visió (285 milions en 2010) poden ser evitats si es diagnostiquen en els seus estadis més primerencs i són tractats de forma efectiva. Per a complir esta proposta es pretén que els servicis d'atenció primària incloguen un seguiment oftalmològic dels seus pacients així com fomentar campanyes de garbellament en centres regentats per persones d'alt risc. No obstant això, estes solucions exigixen una alta càrrega de treball de personal expert entrenat en l'anàlisi dels patrons anòmals propis de cada malaltia. Per tant, el desenrotllament d'algoritmes per a la creació de sistemes de garbellament automàtics juga un paper vital en este camp. La present tesi perseguix la identificació automàtica del dany retiniano provocat per dos de les patologies més comunes en la societat actual: la retinopatia diabètica (RD) i la degenaración macular associada a l'edat (DMAE) . Concretament, l'objectiu final d'este treball és el desenrotllament de mètodes novedodos basats en l'extracció de característiques de la imatge de fons d'ull i classificació per a discernir entre teixit sa i patològic. A més, en este document es proposen algoritmes de pre- processat amb l'objectiu de normalitzar l'alta variabilitat existent en les bases de dades publiques d'imatge de fons d'ull i eliminar la contribució de certes estructures retinianas que afecten negativament en la detecció del dany retiniano. A diferència de la majoria dels treballs existents en l'estat de l'art sobre detecció de patologies en imatge de fons d'ull, els mètodes proposats al llarg d'este manuscrit eviten la necessitat de segmentació de les lesions o la generació d'un mapa de candidats abans de la fase de classificació. En este treball, Local binary patterns, perfils granulometrics i la dimensió fractal s'apliquen de manera local per a extraure informació de textura, morfologia i tortuositat de la imatge de fons d'ull. Posteriorment, esta informació es combina de diversos modes formant vectors de característiques amb els que s'entrenen avançats mètodes de classificació formulats per a discriminar de manera òptima entre exsudats, microaneurismes, hemorràgies i teixit sa. Per mitjà de diversos experiments, es valida l'habilitat del sistema proposat per a identificar els signes més comuns de la RD i DMAE. Per a això s'empren bases de dades públiques amb un alt grau de variabilitat sense exlcuir cap imatge. A més, la present tesi també cobrix aspectes bàsics del paradigma de deep learning. Concretament, es presenta un nou mètode basat en xarxes neuronals convolucionales (CNNs) . La tècnica de transferencia de coneixement s'aplica per mitjà del fine-tuning de les arquitectures de CNNs més importants en l'estat de l'art. La detecció i localització d'exudats per mitjà de xarxes neuronals es du a terme en els dos últims experiments d'esta tesi doctoral. Cal destacar que els resultats obtinguts per mitjà de l'extracció de característiques "manual" i posterior classificació es comparen de forma objectiva amb les prediccions obtingudes pel millor model basat en CNNs. Els prometedors resultats obtinguts en esta tesi i el baix cost i portabilitat de les cambres d'adquisión d'imatge de retina podrien facilitar la incorporació dels algoritmes desenrotllats en este treball en un sistema de garbellament automàtic que ajude als especialistes en la detecció de patrons anomálos característics de les dos malalties baix estudi: RD i DMAE. / Colomer Granero, A. (2018). Fundus image analysis for automatic screening of ophthalmic pathologies [Tesis doctoral no publicada]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/99745 / TESIS
|
Page generated in 0.0843 seconds