slides
Transcrição
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.