Sistema automático de segmentación de los vasos sanguíneos oculares mediante clasificación supervisada

Abstract

La retina es el único lugar del cuerpo humano donde pueden obtenerse imágenes de los vasos sanguíneos de una forma no invasiva. El análisis de la red vascular presente en la retina puede revelar signos de enfermedades como retinopatía diabética (RD), retinopatía hipertensiva (RH), degeneración macular asociada a la edad (DMAE) y glaucoma. La retinografía es una prueba diagnóstica que consiste en la captura de imágenes en color de la retina. Esta técnica permite una visión exacta de la retina y es útil para el diagnóstico y el seguimiento de enfermedades que la afectan, como las mencionadas anteriormente. El objetivo de este Trabajo Fin de Máster (TFM) fue el desarrollo de un sistema automático de segmentación de los vasos sanguíneos visibles en retinografías con el fin de analizar su forma y obtener un buen punto de partida para un posterior sistema automático de clasificación de enfermedades retinianas. Para abordar la realización el trabajo, se hizo un análisis del estado de la técnica respecto a la segmentación en imágenes del fondo de ojo. De las muchas soluciones que se estudiaron, se escogió hacer la segmentación mediante la implementación de un clasificador supervisado utilizando una red neuronal convolucional (CNN). La arquitectura de la CNN usada es la de una red completamente convolucional (FCN), donde a la salida de la red se tiene una imagen de las mismas dimensiones que la imagen de entrada, pero con las estructuras de interés segmentadas, en nuestro caso el mapa de la red vascular presente en la retina. Para entrenar y evaluar la CNN se usó como conjunto de datos las retinografías de la base de datos pública DRIVE, aplicando como técnicas de preprocesado la extracción del canal verde de las imágenes, la normalización de sus valores de intensidad y el realce de su contraste mediante la ecualización local y adaptativa del histograma (CLAHE). En el entrenamiento, se realizaron pruebas sobre siete algoritmos de optimización del descenso de gradiente, que es la técnica empleada por la red neuronal para aprender los valores correctos de sus parámetros. Estos optimizadores fueron: SGD, Adagrad, Adadelta, RMSprop, Adam, Adamax y Nadam. Para la evaluación del rendimiento del CNN, se recurrió al análisis ROC típico de los sistemas de clasificación. Los resultados obtenidos son equiparables a las soluciones más recientes analizadas en el estado de la técnica, llegando a superarlas en cuanto a sensibilidad y al área bajo la curva ROC. Palabras clave: aprendizaje profundo, clasificación, red neuronal convolucional, red completamente convolucional, retinografía, segmentación, vasos sanguíneos.

The retina is the only place in the human body where images of blood vessels can be obtained in a non-invasive way. Analysis of the vascular network present in the retina may reveal signs of diseases such as diabetic retinopathy (DR), hypertensive retinopathy (HR), age-related macular degeneration (AMD), and glaucoma. Retinography is a diagnostic test that involves capturing color images of the retina. This technique allows an exact vision of the retina and is useful for the diagnosis and monitoring of diseases that affect it, such as those mentioned above. The objective of this Final Master's Thesis was the development of an automatic system of segmentation of the visible blood vessels in retinography, in order to analyze their shape and obtain a good starting point for a later automatic system of classification of retinal diseases. In order to carry out the work, an analysis was made of the state of the art regarding the segmentation of the fundus images. Of the many solutions studied, segmentation was chosen by implementing a supervised classifier using a convolutional neural network (CNN). The architecture of the CNN used is that of a completely convolutional network (FCN), where at the exit of the network there is an image of the same dimensions as the input image, but with the structures of interest segmented, in our case the map of the vascular network present in the retina. To train and evaluate the CNN, the retinographies from the public DRIVE database were used as a data set, applying as preprocessing techniques the extraction of the green channel from the images, the normalization of their intensity values and the enhancement of their contrast by means of local and adaptive histogram equalization (CLAHE). In the training, seven gradient descent optimization algorithms were tested, which is the technique used by the neural network to learn the correct values of its parameters. These optimizers were: SGD, Adagrad, Adadelta, RMSprop, Adam, Adamax and Nadam. For the assessment of CNN performance, the typical ROC analysis of classification systems was used. The results obtained are comparable to the most recent solutions analysed in the state of the art, exceeding them in terms of sensitivity and area under the ROC curve.