AVALIAÇÃO DE ALGORITMOS DE SUPERPIXELS E DESCRITORES DE TEXTURA PARA SEGMENTAÇÃO DAS REGIÕES DO DISCO ÓPTICO.

Abstract

RESUMO: Imagens de fundo de olho constituem um valioso recurso para o diagnóstico médico, pois muitas vezes apresentam indicações de doenças oftalmológicas e sistêmicas como: diabetes, hipertensão, entre outras. A detecção e a segmentação automática do disco óptico são comumente utilizadas no diagnóstico auxiliado por computador de várias doenças da retina, dentre elas o glaucoma. No disco, são identificadas duas regiões: a de escavação e a do disco óptico. Com a identificação dessas regiões, o glaucoma pode ser diagnosticado pelo cálculo do CDR, que é a razão da região de escavação e do disco óptico. No estado da arte, diversos autores usam o algoritmo de superpixels Simple Linear Iterative Clustering - SLIC sem almejar o motivo da utilização desse algoritmo. Utilizam uma quantidade de superpixels sem relatar o porquê da escolha dessa quantidade. Em cada um desses trabalhos citados acima, deve-se usar um descritor de textura na extração de características sem explicar a sua utilização. A partir desses requisitos, motivei-me a fazer uma avaliação de algoritmos de superpixels e descritores de textura para segmentação das regiões do disco óptico, com indicativos futuros para detecção do glaucoma, utilizando superpixels. Em se tratando de algoritmos de superpixels, foram avaliados seis algoritmos de superpixels com o intuito de determinar quais deles possuem um melhor desempenho na segmentação de imagens de disco óptico. Os algoritmos avaliados foram: Entropy Rate Superpixel Segmentation - ERS, Simple Linear Iterative Clustering - SLIC, Simple Linear Iterative Clustering (zero parameter version) - SLIC0, Java Simple Linear Iterative Clustering - JSLIC, Spatial-Constrained Watershed - SCOW e Linear Spectral Clustering - LSC. Na extração de características, foram utilizados os seguintes descritores de textura: Grey-Level Co-occurrence Matrix - GLCM, Local Binary Pattern - LBP, Histograms of Oriented Gradients - HOG e Grey Level Run Length Matrix - GLRLM. Para classificar as regiões de interesse, dois classificadores foram estudados: o Perceptron de Múltiplas Camadas e as Máquinas de Vetores de Suporte. Essas avaliações foram realizadas com o uso de um banco de imagens com padrão ouro da base DRISHTI-GS. Os resultados obtidos permitem, ao pesquisador que irá iniciar seus testes com uso de superpixels, um conhecimento do melhor algoritmo de superpixel, uma quantidade de superpixel a ser utilizada, qual descritor de textura e um classificador para classificar as regiões de interesse com uso de superpixel. ---------ABSTRACT: Fundus images are a valuable resource for medical diagnosis, since they are often disclosed by ophthalmological and systemic diseases such as diabetes, hypertension, among others. Automatic detection and segmentation the optic disc are common in the computer-aided diagnosis of various diseases retina, among them glaucoma. There are no disc, two regions are identified: the cup and optic disc. With its regions, glaucoma can be diagnosed by calculating the CDR, which is a reason for the cup region and optic disc. In the state-ofthe- art, various authors use the algorithm superpixels Clustering of simple linear iterations - SLIC without aiming the reason of the use algorithm. Use a quantity superpixel, without telling the reason for the quantity choice. In each works, a texture descriptor must be used in the extraction characteristics without explaining its use. From requirements, I have been motivated to make an evaluation of texture algorithms described for the segmentation optic disc regions with future indicative glaucoma detection, use superpixels. In the case superpixels algorithms, they were oriented by six algorithms superpixels in order to determine the best performance in the segmentation optic disc images. The evaluated were Algorithms : Entropy Rate Superpixel Segmentation - ERS, Simple Linear Iterative Clustering - SLIC, Simple Linear Iterative Clustering (SLIC0, Simple Linear Iterative Clustering - JSLIC, Spatial-Constrained Watershed - SCOW and Linear Spectral Clustering - LSC. In the Grey-Leve Co-occurrence Matrix - GLCM, Local Binary Pattern - LBP, Oriented Gradient Histograms - HOG, Gray Level Execution Matrix - GLRLM. To classify as regions interest, two classifiers were studied: the Multilayer Perceptron and Support Vector Machine. These evaluations were performed with the use a DRISHTI-GS pattern gold image. The results are successful, and the investigator who initiates his tests using the texts, knowledge, knowledge, the best algorithm superpixel, a quantity superpixel to be used, what the Texture descriptor and a classifier to classify as regions interest using superpixel.