slides

Determinação de
vícios refrativos
oculares utilizando
Support Vector
Machines
Giampaolo Luiz Libralão, André Ponce de Leon F. de Carvalho,
Antonio Valerio Netto, Maria Cristina Ferreira de Oliveira
Instituto de Ciências Matemáticas e de Computação - ICMC
Universidade de São Paulo - USP
Objetivo
Determinação de um sistema computacional para diagnóstico
automático de vícios refrativos oculares (miopia, hipermetropia
e astigmatismo) em imagens do olho humano por meio de
técnicas de Aprendizado de Máquina.
Motivações
Modo de determinação atual é subjetivo
Tempo gasto para cada paciente é
considerado elevado (20-30 minutos)
fonte: http://www.hgb.rj.saude.gov.br
SISTEMA PROPOSTO
Composto por quatro etapas
Etapa
Etapa
Etapa
Etapa
0: Módulo de aquisição de imagens
1 : Módulo de pré-processamento das imagens
2: Módulo de extração de características
3: Módulo de análise
Etapa 0 - Aquisição de imagens
Imagens obtidas utilizando sensor de Hartmann-Shack
Cada imagem está associada a três medidas: esférica (S),
cilíndrica (C) e eixo do astigmatismo (A) que caracterizam
os vícios refrativos.
Etapa 0 - Aquisição de imagens
Imagens obtidas utilizando sensor de Hartmann-Shack
Etapa 0 - Aquisição de imagens
Olho normal X Olho anormal
Etapa 0 - Aquisição de imagens
Para o experimento, foi utilizada uma base construída
pelo grupo de Optometria da Universidade de Indiana
(EUA)
100 pacientes, sendo 6 imagens de cada um (3 do olho
esquerdo e 3 do olho direito)
Só 426 foram utilizadas.
Etapa 1 - Pré-processamento
Análise de histograma
Informação espacial e geométrica do domínio da aplicação
Etapa 2 - Extração de características
PCA (Principal Component Analysis)
- quatro conjuntos de vetores de características,
variando a quantidade dos atributos constituintes
Transformada de wavelet de Gabor
- um único conjunto de vetores de características.
Etapa 2 - Extração de características
PCA (Principal Component Analysis)
- técnica de análise multivariada
- objetivo é a redução da complexidade do problema,
diminuindo a quantidade original de atributos
funcionais para uma quantidade menor de atributos
transformados.
- técnica utilizada para reconhecimento de faces
Etapa 2 - Extração de características
PCA (Principal Component Analysis)
- cada imagem possui 400 x 400 (160.000) pixels.
Aplicando PCA às colunas de cada imagem, foram criadas
matrizes de:
- 16 x 400 (6.400) atributos - 55%
- 35 x 400 (14.000) atributos - 68%
- 70 x 400 (28.000) atributos - 81%
Aplicando às colunas e linhas:
- 140 x 10 (1.400) atributos - 90%
Todos os vetores de características foram normalizados
entre os valores -1 e 1 antes de serem disponibilizados para
o módulo de análise.
Etapa 2 - Extração de características
Transformada de wavelet de Gabor
- permite representar a imagem toda com uma
quantidade mínima de dados, podendo analisar tanto
características mais grosseiras quanto mais finas.
- são aproveitados na montagem de um vetor de
características da imagem
- há estudos de uso dessa técnica para aplicações no
reconhecimento de indivíduos pela íris, reconhecimento
de impressões digitais e de faces humanas em
seqüências de vídeo
Etapa 2 - Extração de características
Transformada de wavelet de Gabor
dois parâmetros de entrada: orientação e escala
número de características finais = orientação * escala * 2.
valores foram definidos empiricamente, sendo orientação =
10 e escala = 10, resultando num vetor de 200
características
vetor também foi normalizado com valores -1 e 1.
Etapa 3 - Análise
Simulador utilizado para o treinamento das SVMs foi o
SVMTorch
Foi adotado como saída para o Sistema de Medição
inteligente a resolução de precisão de 0,25 D (Dioptrias)
para esférico (miopia e hipermetropia) e cilíndrico
(astigmatismo), e 5° no eixo do astigmatismo. (Taxa de
erro)
- medida esférica (S) variando entre -1,75 D e +0,25 D;
- cilíndrica (C) variando entre 0,0 e 1,25 D;
- eixo do astigmatismo (A) variando entre 0° e 180°.
Etapa 3 - Análise
Entrada das SVMs foram os vetores de características com
6400 atributos obtidos do PCA e a saída esperada foram as
medidas S, C e A.
Alteração de parâmetros como tipo de núcleo (linear, polinomial,
sigmoidal e gaussiano), critério de parada, e parâmetros
específicos relacionados a cada um.
Estimativa de erro - Random resampling - conjunto dividido 10
vezes em dois grupos: 80% para treino e 20% para teste
- procurou-se manter uma distribuição uniforme das medidas
Etapa 3 - Análise
A princípio, tratava-se de um problema de regressão
Etapa 3 - Análise
Devido às elevadas taxas de erro obtidas para regressão,
decidiu-se transformar o problema em um problema de
classificação.
Foram criadas :
- 9 classes para a medida S (variando entre -1,75 D e +0,25 D
com intervalos de 0,25 D)
- 6 classes para a medida C (variando entre 0,0 D e 1,25 D
com intervalos de 0,25 D)
- 36 classes para medida A (variando entre 0° e 180° com
intervalos de 5°).
Etapa 3 - Análise
Etapa 3 - Análise
Em seguida, optou-se por alterar o vetor utilizado para análise
e usar aqueles com diferentes quantidades de atributos
Etapa 3 - Análise
Em seguida, optou-se por alterar o vetor utilizado para análise
e usar aqueles com diferentes quantidades de atributos
Etapa 3 - Análise
Então, foram analisados os resultados utilizando os vetores
gerados com a Transformada de Gabor
Etapa 3 - Análise
Para determinar qual algoritmo obteve melhores resultados,
foram realizados testes de hipótese a partir dos valores de
média e desvio padrão combinados, para cada medida
Se o resultado for maior que zero, Ap supera As. Se for maior
ou igual a 2, é aceito com mais grau de confiança de 95%.
Etapa 3 - Análise
Etapa 3 - Análise
Etapa 3 - Análise
Etapa 3 - Análise
Etapa 3 - Análise
Considerações Finais
Amostras disponíveis eram em pequena quantidade e
apresentavam um espectro de medidas bastante reduzido
Poucos exemplos de cada classe
Diferenças de medidas entre imagens de um mesmo paciente
Sugestão de novo banco com 30 imagens para cada olho
Não foi possível comparar com outros trabalhos
Acredita-se que Gabor teve melhor desempenho devido à
melhor codificação de características geométricas
relacionadas à textura
Estão realizando estudos utilizando Redes Neurais Artificiais
Futuro
Possibilidade de obter outras informações sobre a
saúde do globo ocular.
Futuro mapeamento completo do olho humano,
utilizando um único aparelho.
Introduzir o uso da técnica de AM descrita neste artigo
à área de Optometria para análise de imagens do olho
humano provenientes de vários métodos de aquisição.