Sistema Diagnóstico Asistido Por Computadora para La Detección de La Retinopatía Diabética No Pro

INSTITUTO POLITCNICO NACIONAL
ESCUELA SUPERIOR DE INGENIERA MECNICA Y ELCTRICA UNIDAD PROFESIONAL ADOLFO LPEZ MATEOS ZACATENCO
SECCIN DE ESTUDIOS DE POSGRADO E INVESTIGACIN
Sistema Diagnstico Asistido por Computadora para la deteccin de la Retinopata Diabtica No Proliferativa usando la Red Neuronal de Retropropagacin
TESIS
Que para obtener el grado de

MAESTRO EN CIENCIAS EN INGENIERA ELECTRNICA
Presenta:
Ing. Jess Salvador Velzquez Gonzlez

Directores de Tesis:
Dr. Francisco Javier Gallegos Funes Dra. Guadalupe de Jess Guzmn Brcenas
Mxico D.F., Noviembre del 2011.
Acta de Revisin de Tesis
Carta Cesin de derechos
ii
Resumen
Una de las complicaciones ms graves de la Diabetes Mellitus es la Retinopata Diabtica, enfermedad considerada a nivel mundial como la principal causa de ceguera en la poblacin econmicamente activa. La Retinopata Diabtica es una enfermedad silenciosa y solo es reconocida por el portador cundo los cambios en la retina han progresado a un nivel en el cual el tratamiento se complica, por lo que el diagnstico oportuno y la remisin al oftalmlogo u optometrista para el manejo de esta enfermedad pueden prevenir el 98% de la prdida visual grave. Actualmente, una de las reas de investigacin que est atrayendo el inters de cientficos y mdicos es el anlisis de imgenes mdicas por computadora. Este anlisis consiste en el estudio de las imgenes digitales con el objetivo de proporcionar herramientas computacionales que asistan al especialista mdico en la toma de decisiones, basndose en la cuantificacin y visualizacin de las patologas de inters y sus estructuras anatmicas. Bajo el contexto anterior, en este trabajo de tesis se desarroll un Sistema Diagnstico Asistido por Computadora para la deteccin de la Retinopata Diabtica No Proliferativa mediante la implementacin de algoritmos de Procesamiento Digital de Imgenes y Redes Neuronales de Retropropagacin. Las imgenes de Retinopata Diabtica, as como, el soporte mdico fueron proporcionados por el Hospital General Ignacio Zaragoza del ISSSTE y por el Servicio de Oftalmologa de la Unidad Mdica de Alta Especialidad del Centro Mdico Nacional La Raza del IMSS. Los resultados experimentales demuestran que el Sistema Diagnstico Asistido por Computadora propuesto, presenta ptimos resultados en trminos de deteccin correcta de la ausencia o presencia de la enfermedad y sus estadios, obteniendo una sensibilidad y una especificidad del 95% en comparacin con otros sistemas similares, cuya sensibilidad y especificidad estn en el intervalo de 83.4% a 94%.
iii
Abstract
One of the most serious complications of Diabetes Mellitus is the Diabetic Retinopathy, a disease worldwide considered as the leading cause of blindness in working age population. Diabetic Retinopathy is a silent disease and is only recognized when the changes on the retina have progressed to a level at which treatment turns complicate, so an early diagnosis and referral to an ophthalmologist or optometrist for the management of this disease can prevent 98% of severe visual loss. Nowadays, one of the areas of research that is attracting the interest of scientists and physicians is the medical image analysis. This analysis consist in the study of digital images in order to provide computational tools that assist the medical specialist in taking decisions based on the quantification and visualization of the pathology of interest and their anatomical structures. Under the preceding context, this master degree thesis shows a development of a Computer Aided Diagnosis System for the detection of Non Proliferative Diabetic Retinopathy through the implementation of Digital Image Processing and Back-Propagation Neural Networks algorithms. The Diabetic Retinopathy images, as well as the medical support were supplied by the General Ignacio Zaragoza Hospital of the ISSSTE and Ophthalmology Service of the High Specialized Medical Unit of the National Medical Center La Raza of the IMSS. Experimental results show that the proposed Computer Aided Diagnosis System presents optimal results in terms of right detection of absence or presence of the disease and their stages, obtaining a sensibility and specificity of 95% in comparison with other similar systems, whose, sensibility and specificity are in the range of 83.4% to 94%.
iv
Dedicatorias
Con profundo respeto, cario y admiracin
A Dios A mis padres:

Jess Salvador Velzquez Lpez y Rosa Aurora Gonzlez Heredia.
A mi hermano:
Rodrigo Velzquez Gonzlez
A mi novia:
Brenda Itzel Milans Zazueta
A las Familias:
Velzquez Lpez Gonzlez Heredia Milans Zazueta
A mis directores de tesis:

Dr. Francisco Javier Gallegos Funes. Dra. Guadalupe de Jess Guzmn Brcenas.
Agradecimientos
A Dios por darme la vida, el amor, la salud, la fuerza de voluntad y la
dicha de materializar mis sueos da con da.
A mis padres por heredarme en vida los tesoros ms valiosos que pueden
drsele a un hijo: amor, cario, alegras y educacin. Tambin les quiero agradecer por haberme inculcado sus valores morales y su energa perseverante para seguir adelante, as como sus consejos, apoyo incondicional, dedicacin y sacrificio de gran parte de sus vidas para hacer de m un hombre de bien.
A mi hermano por brindarme todo su apoyo, confianza, cario, tiempo y

sobre todo su amistad incondicional en cada una de las etapas de mi vida. Gracias por ser para m un ejemplo a seguir.
A mi novia por compartir conmigo su vida, su amor y sus sueos, adems

de tenerme paciencia, apoyarme, entenderme y alentarme a lograr esta meta. Gracias por ser junto con mis papas y mi hermano, la luz en mi camino y la razn para seguir adelante.
A las familias Velzquez Lpez, Gonzlez Heredia y Milans Zazueta por

las palabras de aliento, sus consejos y por todos los momentos gratos que hemos pasado juntos.
Al
Dr. Ral Pea Rivero por brindarme la oportunidad de vivir esta
experiencia, as como, por su tiempo, sus enseanzas y sus recomendaciones.
A mis directores de tesis el Dr. Francisco Javier Gallegos Funes y la Dra.
Guadalupe de Jess Guzmn Brcenas por su valioso apoyo y orientacin durante la realizacin de este trabajo de tesis y mi desarrollo profesional. Tambin les quiero dar las gracias por brindarme su amistad, confianza, dedicacin y paciencia.
Al
Dr. Alberto Jorge Rosales Silva, por su amistad, sus comentarios,
consejos y recomendaciones brindadas desde el primer da que lo conoc.
vi
los Doctores Jos Hiram Espina Hernndez y Jos Alfredo Tirado
Mndez miembros de mi comit revisor, por sus valiosos comentarios, consejos y recomendaciones para el desarrollo de esta tesis y de mi formacin personal y profesional.
los Doctores Jos Manuel de la Rosa Vzquez, Suren Stolik Isakina,
Alexander Michtchenko y Roberto Linares y Miranda y al M. en C. Jos Hctor Caltenco Franca, por sus enseanzas, comentarios, consejos y recomendaciones proporcionadas durante el desarrollo de esta tesis.
A Mnica, Mary Cruz y Lul por todas las atenciones brindadas durante
mis estudios de maestra en esta seccin.
Al Sr. Rodolfo Soria por su amistad y sus consejos. A

Sal Mjica y Hazael Mendoza por brindarme su valiosa amistad, confianza y apoyo incondicional, as como por los consejos, palabras de aliento y todos aquellos momentos agradables que hemos vivido juntos desde la Licenciatura hasta ahora.
A Luis Felipe y Carlos No, por haberme brindado su confianza y amistad A Diego Fabila, Elder Villafae y Alejandro de la Cadena por su amistad,
recomendaciones y consejos.
desde el primer da de clases en esta seccin, adems les doy las gracias por todo su apoyo, consejos, recomendaciones y asesoras.
mis compaeros de maestra y amigos del laboratorio de Seales y
Sistemas (Mariana Vzquez, Elena Dmitrieva, Jos Portillo, Mario Dehesa, Belmar Garca, Jean M. Kinani y Agustn Tortolero) por hacer ms amena y divertida la vida acadmica en esta seccin.
A la M. en C. Alejandra Guadalupe Barbeyto
Hernndez, directora del
Centro Interdisciplinario de Ciencias de la Salud Unidad Santo Tomas por su amistad, apoyo y facilidades otorgadas para la realizacin de esta tesis.
vii
A las Licenciadas Optometristas Olga Martnez Vargas, Adriana Aglade

lvarez Lpez y Alejandra Guerrero Zepeda y al M. en C. Jos Guadalupe Salinas Doroteo del Centro Interdisciplinario de Ciencias de la Salud Unidad Santo Tomas por sus, consejos y crticas constructivas durante la realizacin de esta tesis.
A la Dra. Luz Belem Guzmn Brcenas, mdico especialista adscrito al

Servicio de Oftalmologa del Hospital Regional General Ignacio Zaragoza del ISSSTE por el soporte mdico, consejos, orientacin y observaciones que contribuyeron a la realizacin de esta tesis.
Al Dr. Roberto Ortiz Lerma, jefe del departamento clnico de Oftalmologa

de la Unidad Mdica de Alta Especialidad del Centro Mdico Nacional La Raza del IMSS por el soporte mdico proporcionado, su confianza y las atenciones brindadas
AL
Instituto Politcnico Nacional por todas las experiencias vividas
durante mi formacin acadmica, personal y profesional, as como por los profesores que han marcado mi vida de manera positiva y por las amistades que he forjado durante estos 10 aos.
Al Y
CONACyT y al PIFI, por el apoyo econmico que me fue otorgado
durante la realizacin de esta tesis. por ltimo y no por eso menos importantes, a mis amigos Alinne
Estrella, Erika Hernndez, Mara Pescador, Jairo Garca, Abraham Nova, Hugo Castro, Jess Castillo, Rubn aka Russo, Francisco Rodrguez y Daniel Lepiz, por su amistad, tiempo, vivencias y palabras de aliento, as como por sus, observaciones, preguntas y apoyo incondicional.
De antemano ofrezco una disculpa si omit a alguien en este apartado,

pues detrs de esta tesis hay una gran cantidad de personas que me apoyaron de una u otra forma para poder hacer realidad este sueo, a todas estas personas de todo corazn les doy las Gracias.
Jess Salvador Velzquez Gonzlez

viii
"Slo aquel que se consagra a una causa, con toda su fuerza y alma, puede ser un verdadero maestro. Por esta razn, ser maestro lo exige todo de una persona".
Albert Einstein
ix
ndice General
Acta de Revisin de Tesis ............................................................................. i Carta Cesin de derechos ............................................................................. ii Resumen ....................................................................................................... iii Abstract ......................................................................................................... iv Dedicatorias ................................................................................................... v Agradecimientos ........................................................................................... vi ndice General................................................................................................ x ndice de Figuras ........................................................................................ xiv ndice de Tablas ........................................................................................ xvii Abreviaturas y Nomenclaturas ................................................................. xviii
Captulo 1.- Introduccin al proyecto

1.1 1.2 1.3 1.4 1.5 1.6 1.7
Introduccin ................................................................................................................ 1 Planteamiento Del Problema ....................................................................................... 3 Objetivo General ......................................................................................................... 3 Objetivos Particulares ................................................................................................. 4 Justificacin ................................................................................................................ 4 Organizacin De La Tesis ...........................................................................................6 Referencias ................................................................................................................6
Captulo 2.- Fundamentos de la Retinopata Diabtica ..................................................................9 2.1 2.2 2.2.1 2.3 2.4 2.5 2.5.1 2.6 2.6.1 Introduccin................................................................................................................9 Anatoma del ojo ........................................................................................................9 La Retina .............................................................................................................. 11 Perspectivas de la Retinopata Diabtica ................................................................... 16 Retinopata Diabtica No Proliferativa ........................................................................ 18 Clasificacin de la Retinopata Diabtica.................................................................... 21 Estadios de la Retinopata Diabtica No Proliferativa .............................................. 21 Mtodos de deteccin de la Retinopata Diabtica ..................................................... 22 Oftalmoscopia ....................................................................................................... 23 2.6.1.1 Oftalmoscopia directa....................................................................................... 23 2.6.1.2 Oftalmoscopia indirecta ................................................................................... 23 2.6.1.3 Oftalmoscopia indirecta con lmpara de hendidura ........................................... 24 2.6.2 2.6.3 2.7 2.7.1 2.7.2 2.8 2.9 Fotografa del fondo de ojo.................................................................................... 24 Frecuencia de exploracin..................................................................................... 25 Algoritmos Propuestos en la Literatura ......................................................................26 Deteccin de Microaneursmas ..............................................................................26 Deteccin de Exudados Duros............................................................................... 27 Conclusiones............................................................................................................ 28 Referencias .............................................................................................................. 28
Captulo 3.- Elementos de un Sistema CADx ...............................................................................32 3.1 3.2 3.3 3.4 3.5 Introduccin.............................................................................................................. 32 Deteccin Asistida por Computadora ......................................................................... 32 Diagnstico Asistido por Computadora ...................................................................... 33 Sistema Diagnstico Asistido por Computadora ......................................................... 33 Imagen Digital .......................................................................................................... 34
3.5.1 Propiedades de las imgenes digitales.................................................................... 34 3.5.2 Espacio de color RGB .......................................................................................... 36 3.5.3 Adquisicin de las retinografas ............................................................................. 36 3.6 Pre-procesamiento ................................................................................................... 37 3.6.1.1 Interpolacin de una imagen ............................................................................ 38 3.6.1 Normalizacin del tamao de las imgenes ............................................................ 37
xi
3.6.2 Descomposicin del espacio de color RGB ........................................................... 39 3.6.3 Conversin del espacio de color RGB a escala de grises .......................................40 3.6.4 Mejora del contraste .............................................................................................. 41 3.6.4.1 Ajuste de los valores de intensidad .................................................................. 41 3.6.4.2 Ecualizacin del histograma ............................................................................. 42 3.6.5 Negativo de una imagen ........................................................................................ 44 3.7 3.7.1 Segmentacin .......................................................................................................... 45 Binarizacin .......................................................................................................... 45 3.7.1.1 Binarizacin local ............................................................................................ 46 3.7.1.2 Binarizacin global.......................................................................................... 46 3.7.1.2.1 Algoritmo de Gonzlez y Woods .................................................................. 46 3.7.1.2.2 Algoritmo de Otsu ....................................................................................... 47 3.7.1.3 Binarizacin con histresis ............................................................................... 48 3.7.2 Deteccin de bordes ............................................................................................ 49 3.7.2.1 Operadores basados en la primera derivada (Gradiente) ...................................50 3.7.2.2 Operadores basados en la segunda derivada .................................................... 52 3.7.3 Morfologa matemtica .......................................................................................... 55 3.7.3.1 Dilatacin ......................................................................................................... 55 3.7.3.2 Erosin ........................................................................................................... 56 3.7.3.3 Apertura ......................................................................................................... 56 3.7.3.4 Clausura .......................................................................................................... 57 3.8 3.8.1 3.8.2 3.9 3.9.1 3.9.2 Anlisis de caractersticas ......................................................................................... 58 Clculo de magnitudes geomtricas....................................................................... 58 Anlisis de textura ............................................................................................... 60 Redes Neuronales .................................................................................................... 61 Redes Neuronales Biolgicas ................................................................................ 61 Redes Neuronales Artificiales ................................................................................62
3.9.2.1 Estructura bsica ............................................................................................62 3.9.2.2 Aprendizaje de las redes neuronales artificiales .............................................. 63 3.9.2.3 Red Neuronal de Retropropagacin ................................................................ 64 3.9.2.3.1 Estructura y Aprendizaje ........................................................................... 65 3.9.2.3.2 Dimensin de la red y nmero de neuronas ocultas. .................................. 69 3.10 3.11 Conclusiones............................................................................................................70 Referencias ..............................................................................................................70
xii
Captulo 4.- Algoritmo Propuesto ...................................................................................................74 4.1 4.2 4.2.1 4.3 4.3.1 4.3.2 4.4 4.4.1 4.5 4.6 4.7 4.8 Introduccin.............................................................................................................. 74 Segmentacin de los Vasos Sanguneos ................................................................... 74 Resultados de la Segmentacin de los Vasos Sanguneos .....................................80 Segmentacin de patologas ..................................................................................... 82 Segmentacin de Microaneursmas........................................................................ 82 Segmentacin de Exudados Duros ........................................................................ 88 Anlisis de texturas ................................................................................................. 93 Homogeneidad y Entropa .................................................................................... 93 Anlisis de Varianza (ANOVA) ................................................................................ 97 Toma de decisiones ................................................................................................ 99 Conclusiones.......................................................................................................... 102 Referencias ............................................................................................................ 103 4.4.1.1 Resultados del anlisis de texturas .................................................................. 94 4.3.1.1 Resultados de la Segmentacin de los Microaneursmas .................................. 86 4.3.2.1 Resultados de la Segmentacin de los Exudados Duros ................................... 91
4.6.1 Resultados Experimentales ...................................................................................101
Captulo 5.- Resultados, Conclusiones y Trabajo a Futuro .......................................................105 5.1 5.2. 5.2.1 5.3 5.4 5.5 5.6 Introduccin............................................................................................................ 105 Evaluacin del Sistema Diagnstico Asistido por Computadora ................................ 105 Resultados experimentales del Sistema CADx ..................................................... 107 Interfaz Grfica ........................................................................................................ 112 Conclusiones........................................................................................................... 113 Trabajo a futuro ....................................................................................................... 114 Referencias ............................................................................................................. 115
Difusin del Trabajo de Tesis ......................................................................................................116
xiii
ndice de Figuras
Figura 2.1 Comparacin de la anatoma del ojo con los componentes de una cmara fotogrfica. _______ 10 Figura 2.2 Seccin transversal del ojo humano. _______________________________________________ 10 Figura 2.3 Diagrama esquemtico de los fotorreceptores. El ncleo esta designado por N y la mitocondria
porM. ________________________________________________________________________________ 11
Figura 2.4 Sensibilidad espectral de los fotorreceptores. ________________________________________ 12 Figura 2 5 Espectro electromagntico. _______________________________________________________ 13 Figura 2.6 Refraccin de la luz roja, verde y azul en la retina. ___________________________________ 14 Figura 2.7 Diagrama ilustrativo del fondo de ojo. ______________________________________________ 15 Figura 2 8 Polo posterior del ojo izquierdo Muestra: a) La mcula, la fvea, el disco ptico y la cabeza del
nervio ptico y b) Los cuatro cuadrantes en que se divide el fondo de ojo, _________________________ 15
Figura 2.9 Comparacin entre .una retina normal y una con Retinopata Diabtica. ___________________ 16 Figura 2 10 Efecto de la Retinopata Diabtica en la visin. (a) Con Retinopata y (b) Sin Retinopata. __ 17 Figura 2.11 Imgenes del fondo de ojo: a) Sin RD, b) con RDNP presenta Microaneursmas y hemorragias, ______________________________________________________________________________________ 20 Figura 2.12 Fragmentos de Imgenes del fondo de ojo: con anomalas venosas en forma de salchichas, b)
con bucle venoso prominente y c) con IRMA presenta una ramificacin anormal de los vasos que proceden del lecho capilar. ________________________________________________________________________ 20
Figura 2.13 Exploracin del fondo de ojo mediante oftalmoscopia directa. __________________________ 23 Figura 2.14 Exploracin del fondo de ojo mediante oftalmoscopia: a) Indirecta y b) Indirecta con lmpara
de hendidura. __________________________________________________________________________ 24
Figura 2.15 a) Cmara de fondo de ojo de la casa Carl Zeiss VISUCAMNM/FA, b) retinografa a color. ___ 25
Figura 3.1 Arquitectura de un Sistema Diagnstico Asistido por Computadora (Sistema CADx). _______ 33 Figura 3.2 Representacin de la convencin de imgenes digitales. El valor de y se incrementa de izquierda a derecha, mientras que el valor de x se incrementa de arriba hacia abajo. _______________ 34 Figura 3.3 Representacin de una imagen digital. a) En escala de grises y b) A color RGB. _________ 35 Figura 3.4 Componentes de una imagen. a) Imagen RGB (color verdadero), b) Componente Roja, ____ 36 Figura 3.5 Imagen normalizada._______________________________________________________ 38 Figura 3.6 Descomposicin del espacio de color RGB: a) Plano Rojo (R), b) Plano Verde (G), y c) Plano Azul (B). ________________________________________________________________________ 40 Figura 3.7 Imagen en escala de grises _________________________________________________ 40 Figura 3.8 Conversin del espacio de color. a) Plano Rojo, b) Plano Verde, y c) Plano Azul. ________ 41 Figura 3.9 Curvas de ajuste de contraste. _______________________________________________ 42
xiv
Figura 3.10 Implementacin de los algoritmos de mejora de contraste en imgenes en escala de grises: a) Imagen original en escala de grises y su histograma, b) Ajuste de los valores de intensidad y c) Ecualizacin del histograma. _________________________________________________________ 43 Figura 3.11 Algunas funciones bsicas de transformaciones de intensidad. Todas las curvas estn escaladas para ajustarse en el intervalo mostrado. _________________________________________ 44 Figura 3.12 a) Imagen digital original y b) Negativo de la imagen. _____________________________ 45 Figura 3.13 Conceptos de primera y segunda derivada para la deteccin de bordes. _______________ 49 Figura 3.14 Operadores basados en la primera derivada. Mscara del operador a) Roberts, b) Prewitt, c) Sobel y d) Frei Chen. Donde es en sentido horizontal y es en sentido vertical. ______________ 51 Figura 3.15 Operadores basados en la segunda derivada. A) Mscaras del operador Laplaciano y b) Mscaras del operador Laplaciano del Gaussiano. _________________________________________ 53 Figura 3.16 Deteccin de bordes. a) Imagen ESIME en escala de grises, b) Operador de Roberts, c) Operador de Prewitt, d) Operador de Sobel, e) Algoritmo de Canny, f) Operador Laplaciano y g) Operador LoG. ___________________________________________________________________________ 54 Figura 3.17 Deteccin de bordes. a) Retinografa en escala de grises, b) Operador de Roberts, c) Operador de Prewitt, d) Operador de Sobel, e) Algoritmo de Canny, f) Operador Laplaciano y g) Operador LoG. _________________________________________________________________ 54 Figura 3.18 Elementos estructurales de 3 x 3, donde el punto de origen est representado en color morado. _________________________________________________________________________ 55 Figura 3.19 Operadores morfolgicos en una imagen binaria. a) Imagen binaria original, b) Dilatacin, c) Erosin, d) Apertura y e) Clausura. ____________________________________________________ 57 Figura 3.20 Operadores morfolgicos en una imagen en escala de grises. a) Imagen en escala de grises original, b) Dilatacin, c) Erosin, d) Apertura y e) Clausura. ________________________________ 58 Figura 3.21 Eje mximo y eje mnimo. __________________________________________________ 59 Figura 3.22 Representacin esquemtica de una neurona. ___________________________________ 61 Figura 3.23 Diagrama bsico de una red neuronal artificial. __________________________________ 63 Figura 3.24 Superficie de error. _______________________________________________________ 65 Figura 3.25 Arquitectura de una Red Neuronal de Retropropagacin. ___________________________66 Figura 4.1 Diagrama de bloques del algoritmo propuesto para la segmentacin de los Vasos Sanguneos. __ 75 Figura 4.2 Diagrama de bloques para la segmentacin de los Vasos Sanguneos con presencia de ruido. ___ 75 Figura 4.3 Pasos para la segmentacin de los Vasos Sanguneos con presencia de ruido. a) Imagen normalizada, b) Componente verde de la retinografa, c) Retinografa en escala de grises, d) Negativo de la retinografa, e) Ecualizacin del histograma, f) Apertura Morfolgica, g) Eliminacin del disco ptico, h) Binarizacin e i) Segmentacin de los Vasos Sanguneos con presencia de ruido. _____ 76 Figura 4.4 Diagrama a bloques de los mtodos desarrollados para la creacin del borde circular de la retinografa. ______________________________________________________________________ 77 Figura 4.5 Creacin del borde circular de la retinografa usando el mtodo 1. a) Imagen en escala de grises, __________________________________________________________________________ 77
xv
Figura 4.6 Creacin del borde circular de la retinografa usando el mtodo nmero 2. a) Negativo de la imagen, b) Binarizacin y c) Borde circular de la retinografa. ________________________________ 78 Figura 4.7 Diagrama de bloques para la segmentacin de los Vasos Sanguneos y el disco ptico. ____ 78 Figura 4.8 Imagen resultante de la apertura morfolgica de la etapa de segmentacin de los Vasos Sanguneos con presencia de ruido. ____________________________________________________ 78 Figura 4.9 Pasos para la segmentacin de los Vasos Sanguneos. a) Mascara del disco ptico, b) Ajuste de intensidad, c) Binarizacin, d) Apertura Morfolgica, e) Vasos Sanguneos conectados al disco ptico y f) Segmentacin final de los Vasos Sanguneos. __________________________________________ 79 Figura 4.10 Segmentacin de los Vasos Sanguneos. ______________________________________ 80 Figura 4.11 Microaneursmas. ________________________________________________________ 82 Figura 4.12 Diagrama a bloques del algoritmo propuesto para la segmentacin de los Microaneursmas. 82 Figura 4.13 Diagrama a bloques de la segmentacin de los Microaneursmas con presencia de ruido. __ 83 Figura 4.14 Segmentacin de los Microaneursmas con presencia de ruido. ______________________ 83 Figura 4.15 Pasos para la segmentacin de los Microaneursmas con presencia de ruido. a) Componente Verde, b) Imagen en escala de grises, c) 1era Ecualizacin del histograma, d) 2da Ecualizacin del histograma, ______________________________________________________________________ 84 Figura 4.16 Pasos para la eliminacin de los Exudados Duros y los Vasos Sanguneos._____________ 84 Figura 4.17 Pasos para la segmentacin de los Microaneursmas. a) Imagen binarizada, ____________ 85 Figura 4.18 Segmentacin de los Microaneursmas. ________________________________________ 86 Figura 4.19 Diagrama a bloques del algoritmo propuesto para la segmentacin de los Exudados Duros. 88 Figura 4.20 Pasos para la eliminacin de los Vasos Sanguneos. ______________________________ 88 Figura 4.21 Pasos para la eliminacin de los Vasos Sanguneos: a) Imagen RGB redimensionada, ____ 89 Figura 4.22 Pasos para la deteccin de los Exudados Duros. ________________________________ 89 Figura 4.23 Pasos para la deteccin de los Exudados Duros: a) Imagen binarizada, _______________ 90 Figura 4.24 Segmentacin de los Exudados Duros. ________________________________________ 91 Figura 4.25 Diagrama a bloques del anlisis de texturas. ____________________________________ 93 Figura 4.26 Calculo de la Homogeneidad. _______________________________________________ 93 Figura 4.27 Calculo de la Entropa. ____________________________________________________ 94 Figura 4.28 Diagrama de cajas del rea total de la segmentacin de: a) Vasos Sanguneos, _________ 98 Figura 4.29 Diagrama de cajas para los valores de: a) Homogeneidad y b) Entropa. ______________99 Figura 4.30 Arquitectura de la Red Neuronal de Retropropagacin. ___________________________ 100 Figura 4.31 Convergencia de la red neuronal de retropropagacin.____________________________ 102 Figura 5.1 Interfaz grfica. __________________________________________________________ 112
xvi
ndice de Tablas
Tabla 2.1 Escala de Severidad de la Retinopata Diabtica propuesta por la Alfediam. ______________ 22 Tabla 2.2 Exploracin Oftalmolgica en pacientes con Diabetes. ______________________________ 26 Tabla 3.1 Caractersticas de las imgenes empleadas en este trabajo. __________________________ 37 Tabla 4.1 rea total de los Vasos Sanguneos segmentados. _________________________________ 81 Tabla 4.2 rea total de los Microaneursmas segmentados. __________________________________ 87 Tabla 4.3 rea total de los Exudados Duros segmentados. __________________________________ 92 Tabla 4.4 Valores de la Homogeneidad._________________________________________________ 95 Tabla 4.5 Valores de la Entropa. ______________________________________________________96 Tabla 4.6 Media y Desviacin Estndar de las caractersticas propuestas como entradas de la Red Neuronal Artificial. _________________________________________________________________ 97 Tabla 4.7 Representacin Binaria de las neuronas de la capa de salida. _______________________ 100 Tabla 4.8 Vector de entrenamiento. ___________________________________________________ 101 Tabla 5.1 Tabla de contingencia. _____________________________________________________ 106 Tabla 5.2 Vector de validacin de la Red Neuronal de Retropropagacin. ______________________ 107 Tabla 5.3 Validacin del diagnostico __________________________________________________ 108 Tabla 5.4 Tabla de contingencia del Diagnstico emitido por la Red Neuronal de Retropropagacin.___ 109 Tabla 5.5 ndices de calidad del diagnstico emitido por la Red Neuronal de Retropropagacin. ______ 109 Tabla 5.6 Tabla de contingencia del Diagnstico de No RD y RDNP Leve. ______________________ 110 Tabla 5.7 ndices de calidad para la No RD y la RDNP Leve. _______________________________ 110 Tabla 5.8 Tabla de contingencia del Diagnstico de No RD y RDNP Moderada. __________________ 110 Tabla 5.9 ndices de calidad para la No RD y la RDNP Moderada.____________________________ 110 Tabla 5.10 Tabla de contingencia del Diagnstico de No RD y RDNP Severa. ____________________ 111 Tabla 5.11 ndices de calidad para la No RD y la RDNP Severa. ______________________________ 111
xvii
Abreviaturas y Nomenclaturas
Apertura Morfolgica Clausura Morfolgica Dilatacin Morfolgica Erosin Morfolgica Funcin Laplaciana de una imagen [ ( ) ( ) ] Gradiente de una imagen Valor de conversin de energa radiante en percepcin de los conos S Valor de conversin de energa radiante en percepcin de los conos M Longitud de onda Microaneursmas Micro metros Varianza entre clases de la Red Neuronal Artificial Valor de conversin de energa radiante en percepcin de los conos L Direccin de la distancia los pixeles a y b Pixel que aparece en la ventana de una imagen AV Anormalidades de las venas Pixel que aparece en la ventana de una imagen Distancia entre los pixeles a y b entre
EB ED ( ( ( GS ) ) )
Exudados Blandos Exudados Duros Imagen bidimensional Funcin de activacin de la RNA Imagen en escala de grises Escala de grises Imagen en escala de grises de la componente roja Imagen en escala de grises de la componente verde Imagen en escala de grises de la componente azul
An m ( ) ( )
( H
Histograma de la imagen Hemorragias retinianas

nivel de intensidad en el intervalo [0, 255]
Valores de intensidad a la entrada (antes de obtener el negativo de la imagen) LoG ( ) ( ) Operador Laplaciano del Gaussiano Media de la intensidad de los pixeles del conjunto Media de la intensidad de los pixeles del conjunto Media global Pixel asignado al i-simo valor
xviii
( ) ( )
Probabilidad de que exista el conjunto Probabilidad de que exista el conjunto Espectro equienergtico ALFEDIAM
Coordenadas del centroide Peso del vector de la RNA Asociacin Francesa para el estudio de la Diabetes y enfermedades metablicas Artificial Neural Network (Red Neuronal Artificial) Profundidad del color (bits por pixel) Computer Aided Detection CADe (Deteccin Asistida por computadora) Computer Aided Diagnosis System CADxS (Sistema Diagnstico Asistida por computadora) Diabetes Mellitus
Early Treatment Diabetic Retinopathy
( ) ( )
4-vecinos de 8-vecinos de
Nmero total de pixeles en la imagen
ANN bpp
( )
4-vecinos diagonales de
Producto escalar del peso por el vector de entrada de la RNA. NV=0 No neovascularizacin
DM
ETDRS ( )
Frecuencia de aparicin de 2 pixeles en la imagen
Study. (Estudio de la Retinopata Diabtica para el tratamiento oportuno) Funcin de Distribucin Acumulada Falsos Negativos Falsos Positivos H=Matiz, S=Saturacin, I=Intensidad Anomalas Microvasculares Retinianas Organizacin Mundial de la Salud
FDA FN FP HSI IRMA OMS
Histograma normalizado de la imagen Valor del pixel antes del procesamiento Radio del crculo (mscara del disco ptico) Nivel de intensidad Valor del pixel despus del procesamiento (negativo de la imagen) ( ) Pixel del elemento segmentado Valor de umbral establecido Coordenadas del i-simo pixel Coordenadas del centroide Coordenadas del i-simo pixel.
PDI PIO RD RDNP RDP
Procesamiento Digital de Imgenes Presin Intraocular Retinopata Diabtica Retinopata Diabtica No Proliferativa Retinopata Diabtica Proliferativa
xix
RNA RGB RNRP VN VP
Red Neuronal Artificial Colores en una imagen (R=Rojo, G=Verde, B=Azul) Red Neuronal de Retropropagacin Verdadero Negativo Verdadero Positivo
xx
Captulo
Introduccin al proyecto
El secreto de la felicidad no es hacer siempre lo que se quiere, sino querer siempre lo que se hace. Len Tolstoi (1828-1910)
1.1
Introduccin
La progresin de la Diabetes Mellitus (DM) es un problema de salud pblica mundial. La Organizacin Mundial de la Salud (OMS) estima que a nivel mundial existen ms de 220 millones de personas con Diabetes Mellitus, de las cuales solo la mitad tiene conocimiento de esta enfermedad. La Diabetes Mellitus es una enfermedad crnica que aparece cuando el pncreas no produce suficiente insulina o cuando el organismo no utiliza eficazmente la insulina que produce. El efecto de la Diabetes Mellitus no controlada es la hiperglucemia o hiperglicemia, que con el tiempo daa gravemente muchos rganos y sistemas, especialmente los nervios y los vasos sanguneos [1]. La Retinopata Diabtica (RD) es una de las secuelas ms grave de la Diabetes Mellitus [2] y es la principal causa de ceguera en la poblacin econmicamente activa, la cual afecta a personas entre los 20 y 74 aos de edad [3,4]. La Retinopata Diabtica es una enfermedad silenciosa y solo es reconocida por el portador cundo los cambios en la retina han progresado a un nivel en el cual el tratamiento se complica. La prevalencia de la Retinopata Diabtica vara con los aos de aparicin y de duracin de la Diabetes Mellitus, esta ltima es uno de los factores de riesgo ms importantes asociados con el desarrollo de la Retinopata Diabtica.
Captulo 1
Aproximadamente el 25% de las personas con Diabetes Tipo 1 padecen Retinopata Diabtica No Proliferativa (RDNP) despus de 5 aos, mientras que el 60% la padecen despus de 10 aos y el 80% despus de 15 aos. Por otro lado, despus de 15 aos, aproximadamente el 25% de las personas con Diabetes Tipo 1 padecen Retinopata Diabtica Proliferativa (RDP). En pacientes con Diabetes Tipo II con una duracin menor a 5 aos, el 40% de los pacientes tratados con insulina y 24% de las personas que no toman insulina tienen Retinopata Diabtica Proliferativa, estas tasas se incrementan en 84% y 53%, respectivamente, cuando la duracin de la Diabetes se ha documentado hasta 19 aos. Aunque la Diabetes en s, no se puede prevenir en la actualidad, en muchos casos sus complicaciones se pueden prevenir o moderar considerablemente, por ejemplo, la ceguera y sus complicaciones se pueden prevenir si la Retinopata Diabtica se detecta con suficiente antelacin para su tratamiento. La deteccin y el tratamiento oportuno de la Retinopata Diabtica y la ciruga con lser pueden reducir significativamente la incidencia de la ceguera. El objetivo de la ciruga lser, es prevenir la prdida de visin por lo que el tiempo ptimo de tratamiento es antes de experimentar sntomas visuales [5], estos sntomas visuales pueden ser partculas flotantes, visin con manchas, visin borrosa o poco clara, dificultad para leer o ver de cerca e incluso prdida repentina de la visin. El diagnstico oportuno de los primeros estadios de la Retinopata Diabtica (Retinopata Diabtica No Proliferativa) y la remisin al oftalmlogo u optometrista para su manejo pueden prevenir y controlar en el 98% de los casos la prdida visual grave [6]. Con el desarrollo de nuevas tecnologas y el uso de equipos sofisticados para la deteccin de enfermedades, el diagnstico mdico se ha vuelto ms fcil, un ejemplo de ello es la exploracin del fondo de ojo mediante la cmara de fondo de ojo. Este tipo de exploracin permite obtener fotografas digitales a color de la retina tambin llamadas retinografas, lo cual ofrece un campo de visin amplio para analizar a detalle el fondo de ojo [7]. Al ser un sistema electrnico que funciona con un programa predeterminado se puede proyectar una serie de imgenes de la retina central y perifrica en un monitor, y al mismo tiempo almacenar estas imgenes en una base de datos para futuras consultas. Si bien este sistema facilita la realizacin de la exploracin del fondo de ojo no hay que olvidar que an queda trabajo pendiente ya que este sistema solo proporciona las imgenes, por lo que el oftalmlogo u optometrista tendr que realizar un anlisis de estas imgenes hasta obtener un diagnstico acertado.
Captulo 1
1.2
Planteamiento Del Problema
La mayora de las personas con Diabetes Mellitus en alguna etapa de su vida desarrollan Retinopata Diabtica, por lo que el examen completo de la vista juega un papel importante en la deteccin de esta enfermedad. El examen completo de la vista incluye: la medicin de la agudeza visual, la presin intraocular (PIO) y el examen o exploracin del fondo de ojo [8], este ltimo es esencial en la deteccin y diagnstico de enfermedades asociadas con el vtreo, el nervio ptico, la retina y la coroides [8,9]. La Asociacin Americana de la Diabetes (American Diabetes Association) recomienda la exploracin del fondo de ojo en los pacientes con Diabetes Mellitus una vez al ao y las exploraciones tienen que ser ms frecuentes en caso de que se desarrolle y/o progrese la Retinopata Diabtica [8]. La exploracin del fondo de ojo realizada al alto ndice de pacientes con Retinopata Diabtica proporciona un gran nmero de imgenes de la retina, mismas que deben ser revisadas por los especialistas mdicos, por lo cual los oftalmlogos u optometristas tienen que disponer de una gran cantidad de tiempo y energa para revisar todas las imgenes [10]. Sin embargo, como todo ser humano son propensos al estrs y a la fatiga visual, lo cual puede dar como resultado un diagnstico errneo. Con esta motivacin en mente, en este trabaj de tesis se desarroll un Sistema Diagnstico Asistido por Computadora o CADx System (Computer Aided Diagnosis System por sus siglas en ingls) que sirve de apoyo al especialista mdico en el anlisis de las imgenes del fondo de ojo como una herramienta auxiliar en la toma de decisiones al momento de emitir un diagnstico.
1.3
Objetivo General
Desarrollar un Sistema Diagnstico Asistido por Computadora que sea capaz de detectar y diagnosticar de manera automtica la No Retinopata Diabtica (Retina Sana) y los estadios tempranos de la Retinopata Diabtica No Proliferativa a partir del anlisis de criterios clnicos en una imagen del fondo de ojo.
Captulo 1
1.4
Objetivos Particulares
Implementar algoritmos de pre-procesamiento para resaltar los detalles presentes en las imgenes del fondo de ojo. Detectar y segmentar de manera automtica las caractersticas de la retina: Red Vascular
y disco ptico.
Detectar y segmentar de manera automtica las patologas: Microaneursmas y Exudados
Duros.
Implementar algoritmos para la extraccin de las caractersticas de inters y para el anlisis de los objetos segmentados. Implementar algoritmos inteligentes para la clasificacin de la No Retinopata Diabtica y de los estadios iniciales de la Retinopata Diabtica (Retinopata Diabtica No Proliferativa). Obtener una sensibilidad y una especificidad igual o mayor al 90%. Disear una interfaz grfica.
1.5
Justificacin
Actualmente una de las reas de investigacin que est atrayendo el inters de cientficos y mdicos es el anlisis de imgenes mdicas. Este anlisis consiste en el estudio de las imgenes digitales con el objetivo de proporcionar herramientas computacionales que asistan a la cuantificacin y visualizacin de la patologa de inters y su estructura anatmica. El progreso que se ha logrado en esta rea durante los ltimos aos, ha mejorado significativamente el tipo de atencin mdica que se brinda a los pacientes.
Captulo 1
Ahora los mdicos pueden diagnosticar, tratar y monitorear la progresin de la enfermedad con ms xito que antes, adems de obtener apoyo en la toma de decisiones y estar seguro de que las tareas que se realizan y las mediciones que se realizan tienen un alto grado de precisin [12]. Sin embargo, sta es una tarea multidisciplinaria que requiere de un conocimiento amplio de diversas disciplinas, tales como anatoma, medicina, procesamiento digital de imgenes, visin por computadora, reconocimiento de patrones, aprendizaje automtico y sistemas expertos. Las tcnicas de Diagnstico Asistido por Computadora o CADx (Computer Aided Diagnosis por sus siglas en ingls) tratan de caracterizar y detectar patrones normales y anormales dentro de la imagen, con el fin de mejorar la precisin y consistencia diagnstica obtenida por los expertos humanos (aproximadamente del 90% [10]). Bsicamente, estos sistemas intentan detectar regiones sospechosas que contengan anomalas (por ejemplo, tumores, Microaneursmas, etc.) y resaltarlas de algn modo sobre la propia imagen. Por otro lado, la exploracin de la retina mediante el oftalmoscopio es una forma segura y precisa para identificar a las personas con Retinopata Diabtica [13,14], sin embargo, algunos estudios han demostrado que el uso de las retinografas (imgenes digitales) es ms sensible en la identificacin de la Retinopata Diabtica que el examen clnico con el oftalmoscopio [15-17]. Por lo tanto, el desarrollo de un Sistema Diagnstico Asistido por Computadora puede ser til en el proceso de deteccin de la Retinopata Diabtica ya que servir de apoyo a los oftalmlogos u optometristas para evaluar y diagnosticar las imgenes del fondo de ojo [18]. Cabe mencionar que el anlisis automatizado de las imgenes del fondo de ojo (retinografas) a travs de un Sistema Diagnstico Asistido por Computadora puede ahorrar costos y tiempo de manera significativa, tomando en cuenta el gran nmero de imgenes de la retina que necesitan ser impresas y posteriormente revisadas manualmente por los especialistas mdicos cada ao [11]. Respecto a la enfermedad a detectar y diagnosticar se propuso la Retinopata Diabtica No Proliferativa porque es la primera etapa y el caso ms comn de la Retinopata Diabtica, lo cual representa el 80% de todos los casos [19], adems de que en esta etapa el diagnstico, la remisin con el especialista mdico y el tratamiento oportuno pueden prevenir complicaciones futuras, tales como la prdida total de la visin.
Captulo 1
1.6
Organizacin De La Tesis
El contenido de esta tesis est organizado de la siguiente forma: Captulo 2: Fundamentos de Retinopata Diabtica.- En este captulo se describen los fundamentos mdicos empleados en la realizacin de este trabajo de tesis. As como los principales algoritmos y sistemas de anlisis de imgenes del fondo de ojo que se han propuesto en la literatura. Captulo 3: Elementos de un Sistema CADx- En este captulo se presentan los fundamentos tericos de un Sistema Diagnstico Asistido por Computadora, as como la implementacin de los algoritmos de procesamiento digital de imgenes empleados en la realizacin de este trabajo de tesis. Captulo 4: Algoritmo propuesto.- En este captulo se explican los algoritmos desarrollados en este trabajo de tesis y se muestran los resultados experimentales obtenidos al implementar estos algoritmos en 216 imgenes del fondo de ojo. Captulo 5.- Resultados, Conclusiones y Trabajo a futuro.- En este captulo se presentan los resultados de la evaluacin del Sistema Diagnstico Asistido por Computadora, la interfaz grfica desarrollada, las conclusiones y las recomendaciones para trabajo a futuro derivadas de esta tesis.
1.7
[1]
Referencias
Organizacin Mundial de la salud, Diabetes Nota descriptiva No. 312. [Consultado en Marzo del 2011], Disponible en: http://www.who.int/mediacentre/factsheets/fs312/es/
[2] [3]
R.N. Frank, Diabetic Retinopathy, The New England Journal of Medicine, 2004, Vol. 350, pp. 48-58. D.S. Fong, L. Aiello, T.W. Gardner, et al., Retinopathy in Diabetes, Diabetes Care, 2005, Vol. 27 (Suppl. 1), pp. 584-587. [Consulted on March 2011], Available at: http://care.diabetesjournals.org/content/27/suppl_1/s84.full.pdf+html
Captulo 1
[4] [5]
D.J. Browning, Diabetic Retinopathy: Evidence Based Management, 1st ed., New York, USA: Springer, 2010, ISBN-10: 0387858997, ISBN-13: 9780387858999, pp. 31, 59-61. K.V. Chalam and J. Lawler, Management of Diabetic Retinopathy in the New Millennium, Jacksonville Medicine, 2000, pp. 399-401. [Consulted on March 2011], Available at: http://www.dcmsonline.org/jax-medicine/2000journals/sept2000/diabetic.pdf
[6]
L. Verma, G. Prakash and H.K. Tewari, Diabetic Retinopathy: Time for Action. No
complacency please, Articles from Bulletin of the World Health Organization, 2002, Vol.
80(Suppl. 5), pp. 419-420. [Consulted on March 2011], Available at: http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2567800/pdf/12077622.pdf [7] B. James and L. Benjamin, Ophthalmology Investigation and Examination Techniques , 1st ed., Philadelphia, USA: Elsevier Health Sciences, 2007, ISBN-10: 0750675861, ISBN-13: 9780750675864, pp. 222-226. [8] CIGNA Medical Coverage Policy. [Consulted on March 2011], Available at: http://www.cigna.com/customer_care/healthcare_professional/coverage_positions/medical /mm_0080_coveragepositioncriteria_imaging_systems_optical.pdf [9] A.K. Khurana, Comprehensive Ophthalmology, 4th ed., New Delhi, India: New Age International (P) Ltd., 2007, ISBN-10: 8122420419, ISBN-13: 9788122420418, pp. 477478. [10] S.C. Le, E.T. Lee, R.M. Kingsley, Y. Wan, D. Russell, R. Klein and A. Warn, Comparison of
Diagnosis of Early Retinal Lesions of Diabetic Retinopathy Between a Computer System and Human Experts, Arch Ophthalmol, 2001, Vol. 119, pp. 509-515.
[Consulted on March 2011], Available at: http://archopht.ama-assn.org/cgi/reprint/119/4/509 [11] T. Teng, M. Lefley and D. Claremont, Progress towards automated diabetic ocular screening:
A review of image analysis and intelligent systems for diabetic retinopathy , Med. Biol. Eng.
Comput, 2002, Vol. 40, pp. 213. [Consulted on March 2011], Available at: http://www.springerlink.com/content/qnj016t6m5u535w5/fulltext.pdf [12] J. Sargunar and R. Sukanesh, Exudates Detection And Classification In Diabetic Retinopathy
Image By Textures Segmentation Methods, International Journal of Recent Trends in

Engineering, 2009, Vol. 2, No. 4, pp. 148-150. [Consulted on March 2011], Available at: http://www.academypublisher.com/ijrte/vol02/no04/ijrte0204148150.pdf
Captulo 1
[13]
C.J. Rudnisky, M.T.S. Tennant, E. Weis, A. Ting, B.J. Hinz and M.D.J. Greve, Web-based
grading of compressed stereoscopic digital photography versus standard slide film photography for the diagnosis of diabetic retinopathy , Ophthalmology, 2007, Vol. 114 (Suppl. 9), pp.
1748-1754. [Consulted on March 2011], Available at: http://www.mendeley.com/research/webbased-grading-compressed-stereoscopic-digitalphotography-versus-standard-slide-film-photography-diagnosis-diabetic-retinopathy/ [14] J. Lopez-Bastida, F. Cabrera-Lopez and P. Serrano-Aguilar, Sensitivity and specificity of
digital retinal imaging for screening diabetic retinopathy , Diabet Med, 2007, Vol. 24(Suppl.
4), pp. 403-407. [Consulted on March 2011], Available at: http://onlinelibrary.wiley.com/doi/10.1111/j.1464-5491.2007.02074.x/pdf [15] American Academy of Ophthalmology, Clinical Statement, Screening for Diabetic Retinopathy, 2006. [Consulted on March 2011], Available at: http://one.aao.org/asset.axd?id=fcae629c-bc1e-4648-a76a-4796404d47e1 [16] J. Ahmed, T.P. Ward, S.E. Bursell, L.M. Aiello, J. D. Cavallerano, R. A. Vigersky, The
sensitivity and specificity of non mydriatic digital stereoscopic retinal imaging in detecting diabetic retinopathy, Diabetes Care, 2006, Vol. 29 (Suppl. 10), pp. 2205-2209.
[Consulted on March 2011], Available at: http://care.diabetesjournals.org/content/29/10/2205.full.pdf+html [17] G.P. Leese, J.D. Ellis, A.D. Morris, A. Ellingford, Does direct ophthalmoscopy improve retinal
screening for diabetic eye disease by retinal photography? , Diabet Med, 2002, Vol. 19, pp.
867-869. [Consulted on March 2011], Available at: http://onlinelibrary.wiley.com/doi/10.1046/j.1464-5491.2002.00800.x/pdf [18] G.G. Yen and W.F. Leong, A sorting system for hierarchical grading of diabetic fundus
images: A preliminary study, IEEE Trans Inf Technol Biomed, 2008, Vol. 12 (Suppl. 1), pp.
118130. [Consulted on March 2011], Available at: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=4358927 [19] A.C. Ho, Diabetic Retinopathy, Diabetes and your eyes. [Consulted on March 2011], Available at: http://www.improveyourvision.com/macular-center/diabetic-retinopathy.html
Captulo
Fundamentos de la Retinopata Diabtica
La alegra de ver y entender es el ms perfecto don de la naturaleza. Albert Einstein (1879-1955)
2.1
Introduccin
En este captulo se describe la anatoma del globo ocular, los componentes principales de la retina, el impacto, clasificacin y los mtodos de deteccin de la Retinopata Diabtica, as como la frecuencia de exploracin de esta enfermedad. Tambin en este captulo se presenta una resea sobre los principales sistemas y algoritmos de anlisis de imgenes de la retina que se han propuesto en la literatura, haciendo nfasis en la deteccin de Microaneursmas y Exudados Duros.
2.2
Anatoma del ojo
Haciendo una analoga, el funcionamiento del ojo humano es muy similar al de una cmara fotogrfica [1,2], esta comparacin es usada dado que las estructuras de ambos sistemas son muy semejantes, tal y como se muestra en la Figura 2.1, donde la lente de la cmara y su anlogo en el ojo (crnea, pupila y cristalino) tienen como funcin hacer que la luz que incide a travs de estas, enfoque en un solo punto, la pelcula fotogrfica o la retina, respectivamente. Esta informacin se transmite al cerebro a travs del nervio ptico, el cual conecta al ojo con el cerebro. Para que la crnea y el lente trabajen en forma ptima deben ser perfectamente transparentes y tener las curvaturas adecuadas, de no ser as, la imagen proporcionada ser defectuosa o no enfocar en el sitio apropiado.
Captulo 2
Figura 2. 1 Comparacin de la anatoma del ojo con los componentes de una cmara fotogrfica. (Fuente: Imagen de la web http://www.cosi.com.ar/files/imagenes_imce/excimer-2.jpg).
En la Figura 2.2 se muestra el corte transversal del ojo humano as como los elementos que la componen.
Figura 2. 2 Seccin transversal del ojo humano. (Fuente: Imagen de la web http://www.eyecancermd.org/anatomia.html).
Entre las diversas estructuras oculares, en este captulo solo se explicarn las partes anatmicas que son ms relevantes para este trabajo de investigacin.
10
Captulo 2
2.2.1 La Retina
La retina es un tejido sensorial delgado que puede ser visto como una extensin del cerebro y est compuesta por varias capas que cubren la pared interior de la parte posterior del ojo [3-5]. La retina humana tiene dos tipos de fotorreceptores: conos y bastones (ver Figura 2.3), los cuales son los responsables de la transduccin de la luz en impulsos elctricos nerviosos y la transmisin de estos impulsos al cerebro, donde sern interpretados como imgenes [6-10]. En la retina humana se encuentran alrededor de 120 millones de bastones (94.5% de todos los fotorreceptores) y cerca de 7 millones de conos.
Figura 2. 3 Diagrama esquemtico de los fotorreceptores. El ncleo esta designado por N y la mitocondria porM. (Fuente: S. H. Schwartz, Visual Perception: A Clinical Orientation , 4th ed., USA: McGraw Hill, 2009, p. 27 [12]).
Los bastones son elementos cilndricos que terminan con una ligera curvatura y tienen un dimetro inferior a 1 m [3,4]. Presentan una elevada sensibilidad a la luz, en el ser humano son los responsables de la visin en condiciones de baja luminosidad llamada visin escotpica [7,8]. Los conos son clulas de aspecto cnico con un dimetro medio que oscila entre 1 m y 5 m [3,4]. Presentan menor sensibilidad a la luz, ya que slo se activan en condiciones de iluminacin normal o diurna (visin fotpica) [7,8]. Los conos proporcionan informacin bsica sobre la composicin espectral de la luz por lo que son los responsables de la percepcin del color. Existen tres tipos de conos en la retina, conos L, M y S, estos nombres hacen referencia a la longitud de onda del espectro visible en el cual presentan mayor sensibilidad [3-6,9-12]:
11
Captulo 2
Los conos L (Large) tambin llamados conos Rojos son sensibles a la longitud de onda larga con un pico de absorcin de 559 nm, los conos M (Medium) o conos Verdes son sensibles a la longitud de onda media con un pico de absorcin de 521 nm y los conos S (Short) o conos Azules son sensibles a la longitud de onda corta con un pico de absorcin de 419 nm. En la Figura 2.4 se muestra la respuesta espectral de los fotorreceptores en la retina humana en forma normalizada [0,100], la sensibilidad de cada cono en funcin de la longitud de onda . En la retina, la sensibilidad de cada cono no responde realmente a esas magnitudes. Concretamente los conos S (azules) son menos sensibles con respecto a los conos L (rojos) y M (verdes), siendo estos ltimos los que presentan mayor sensibilidad [9].
Figura 2. 4 Sensibilidad espectral de los fotorreceptores. (Fuente: J. C. Martins and L. A. Sousa, Bioelectronic Vision: Retina Models, Evaluation Metrics, and System Design , Series on Bioengineering & Biomedical Engineering, Vol. 3, Toh Tuck, Singapore: World Scientific Publishing Co. Pte. Ltd., 2009, p. 34 [4]).
La sensacin de color depende nicamente de las seales recibidas por los conos y transmitidas al cerebro. El color blanco se percibe cuando el ojo es excitado con un espectro luminoso de energa constante ( ( ) ), denominado espectro equienergtico.
Las percepciones individuales de los colores, ofrecidas por la sensibilizacin de los conos L, M y S se muestran en las ecuaciones 2.1, 2.2 y 2.3 respectivamente.
12
Captulo 2
( )

( ) ( )
( )
( )
( )
( )
Dnde ( ) ( )
( ) representan los valores de conversin de energa radiante en percepcin dentro del intervalo del
de los conos L, M y S, respectivamente, para la longitud de onda
espectro visible [5-7, 11, 12]. Otra consideracin que debe tomarse en cuenta es que para longitudes de onda cercanas a los 380 nm 780 nm se tiene una respuesta mnima, mientras que para alguna zona intermedia del espectro visible (ver Figura 2.5) la respuesta es mxima, lo anterior se debe a que la refraccin de los rayos luminosos que penetran en la retina no afectan por igual a todas las longitudes de onda que estos rayos incluyen.
Figura 2. 5 Espectro electromagntico. (Fuente: S. H. Schwartz, Visual Perception: A Clinical Orientation , 4th ed., USA: McGraw Hill, 2009, p. 21 [12]).
La luz de onda corta o alta energa (azul) focaliza en un punto anterior a la retina, mientras que la luz de onda larga o baja energa (rojo) focaliza en puntos posteriores a la retina, esto tiene como consecuencia que los detalles rojos o azules no se puedan distinguir claramente en una escena. Justo lo contrario de lo que ocurre con los verdes, cuyo punto de focalizacin o convergencia se sita exactamente en la retina, lo que induce una mayor sensibilidad del ojo para estas tonalidades (ver Figura 2.6).
13
Captulo 2
Figura 2. 6 Focalizacin de la luz roja, verde y azul en la retina. (Fuente: Imagen de la web http://inquisalva.com/blog/fundamentos-del-color-parte-4/).
El rea perifrica de la retina es la responsable de la visin perifrica, mientras que el rea central, llamada mcula, es la encargada de la visin central debido a que en esta rea es donde se produce la mayor fotorrecepcin [3,19], esto nos permite ver detalles y realizar tareas que requieren de la visin central, por ejemplo, la lectura. La mcula es una zona redonda cuyo dimetro oscila entre los 4 y 5 mm, y se encuentra situada en la regin central de la retina [8,13]. En el centro de la mcula se encuentra una pequea depresin llamada fvea cuyo dimetro mide 1.5 mm. La fvea corresponde a la regin de la retina con mayor sensibilidad. El disco ptico o papila ptica es una zona circular situada en el centro de la retina (fondo de ojo), que corresponde a la entrada del nervio ptico [19], el cual transmite los impulsos elctricos de la retina al cerebro [3,8]. La papila ptica es la regin ms brillante del fondo de ojo y su forma suele ser redonda, est situada respecto al centro del polo posterior del ojo, a 3 mm hacia el lado nasal y tiene un dimetro alrededor de 1.5 a 2 mm [7,13], al no poseer fotorreceptores la papila ptica carece de sensibilidad a los estmulos luminosos, lo cual ocasiona una zona ciega dentro del campo visual que se conoce como punto ciego. Los Vasos Sanguneos de la retina se derivan de la arteria y la vena central de la retina, la cual se encuentra en el nervio ptico [13,14]. Las arterias son un poco ms delgadas y de un rojo ms claro que las venas, y la relacin entre el grosor de las arterias y las venas es de 2:3.
14
Captulo 2
El fondo de ojo es la porcin posterior del interior del globo ocular que se observa a travs de la pupila y est conformado por la retina, la papila ptica, los Vasos Sanguneos retinales, la mcula y la fvea [13,14], como se muestra en la Figura 2.7.
Figura 2. 7 Diagrama ilustrativo del fondo de ojo. (Fuente: M. Latarjet, A. R. Liard and E. A. Pro, Anatoma huma, Vol. 1, 4ta ed., Madrid, Espaa: Medica Panamericana, 2004, ISBN.13: 9788479037178, p. 449 [14]).
En la Figura 2.8 se muestra una imagen normal del fondo de ojo y los cuadrantes en que se divide.
Figura 2. 8 Polo posterior del ojo izquierdo Muestra: a) La mcula, la fvea, el disco ptico y la cabeza del nervio ptico y b) Los cuatro cuadrantes en que se divide el fondo de ojo, partiendo de la divisin de los vasos en la papila.
15
Captulo 2
2.3
Perspectivas de la Retinopata Diabtica
La Organizacin Mundial de la salud (OMS) estima que a nivel mundial existen ms de 220 millones de personas con Diabetes Mellitus (DM) [15], y alrededor de 314 millones de personas con discapacidad visual (baja visin y ceguera), de estas ltimas 45 millones son ciegas [16], siendo la Retinopata Diabtica (RD) causante del 5% de los casos de ceguera a nivel mundial [16-18]. Las personas que padecen Diabetes tienen 25 veces ms probabilidades de desarrollar Retinopata Diabtica que los individuos que no la padecen [19,20]. A nivel mundial Mxico ocupa el dcimo lugar, en relacin con el nmero total de pacientes Diabticos y se estima que aproximadamente hay entre 6.5 y 10 millones de personas que padecen esta enfermedad [21], de los cuales 805 mil sufren Retinopata Diabtica y estn en el proceso de perder la visin [22]. Los Vasos Sanguneos que unen a las arterias con las venas (capilares de la retina) tienden a ser daados por los cambios qumicos causados por la Diabetes. Este dao progresivo se llama Retinopata Diabtica (ver Figura 2.9) y se produce por las fugas de sangre o fluidos anormales y las oclusiones de los Vasos Sanguneos [23,24].
Figura 2. 9 Comparacin entre .una retina normal y una con Retinopata Diabtica. (Fuente: Imagen de la web http://www.healthcentral.com/diabetes/more-images-7215-146.html).
16
Captulo 2
La Retinopata Diabtica convencionalmente se clasifica de acuerdo a la presencia de lesiones clnicas que indican fugas de sangre u oclusiones, y la posicin de stas en el ojo. Esta clasificacin consta de 3 tipos: Retinopata de Fondo (No Proliferativa), Degeneracin Macular (Vasculopata) y Retinopata Proliferativa. El tipo de Retinopata Diabtica ocasionado por la fuga de sangre o fluidos de los Vasos Sanguneos lejos de la mcula se llama Retinopata Diabtica de Fondo (RDF) y se caracteriza por el abultamiento de las paredes capilares (Microaneursmas), sangre (Hemorragias Retinales), depsitos de grasa (Exudados Duros) y Edema Retinal. Esta etapa de la enfermedad en ocasiones no presenta seales evidentes y solo es reconocida por el paciente cuando los cambios en la retina han progresado a un nivel ms grave [24]. La deteccin de esta etapa permitir el tratamiento para evitar complicaciones futuras, por lo que uno de los propsitos de este trabajo es la deteccin de esta etapa. La Vasculopata Diabtica se produce por la fuga de sangre o fluidos de los Vasos Sanguneos y la acumulacin de grasa en la regin central de la retina (la mcula), el resultado de esto es la visin borrosa, como se muestra en la Figura 2.10.
a)
b)
Figura 2. 10 Efecto de la Retinopata Diabtica en la visin. (a) Con Retinopata y (b) Sin Retinopata. (Fuente: Imagen de la web www.nei.nih.gov/health/diabetic/retinopathy.asp).
El edema macular es la causa ms frecuente de disminucin de la visin en pacientes con Retinopata Diabtica No Proliferativa (RDNP). Con menor frecuencia, la oclusin microvascular tambin puede ocurrir en la mcula, causando problemas de visin debido al suministro inadecuado de sangre a esta zona.
17
Captulo 2
Como el tejido de la retina depende de los Vasos Sanguneos para su nutricin, se libera un factor vasoproliferativo que estimula la neovascularizacin (proliferacin vascular), permitiendo el desarrollo de nuevos Vasos Sanguneos anormales donde los capilares normales han sido cerrados. Esta forma de Retinopata Diabtica por el cierre de los capilares y el crecimiento de nuevos Vasos Sanguneos se denomina Retinopata Diabtica Proliferativa (RDP) [24]. La Retinopata Diabtica Proliferativa puede dar lugar a la prdida de visin, debida a una hemorragia en la cavidad del ojo y a la cicatrizacin de esta lesin. Este trabajo no est diseado para detectar este tipo de enfermedad, ya que es poco probable que la Retinopata Diabtica Proliferativa se produzca en ausencia de la Retinopata Diabtica de Fondo (No Proliferativa) o Vasculopata.
2.4
Retinopata Diabtica No Proliferativa
La Retinopata Diabtica No Proliferativa (RDNP) tambin conocida como Retinopata Diabtica de Fondo (RDF) es el tipo ms comn de Retinopata Diabtica, lo cual representa aproximadamente el 80% de todos los casos [25]. Los cambios producidos en la retina de los pacientes con Retinopata Diabtica pueden ser detectados por profesionales calificados, como los oftalmlogos u optometristas a travs del examen del fondo de ojo del paciente. La evaluacin precisa de la gravedad de la Retinopata Diabtica requiere la capacidad de detectar y registrar las siguientes patologas: Microaneursmas.- Son las primeras lesiones clnicamente detectables de la Retinopata Diabtica [1]. Los Microaneursmas son dilataciones focales de las paredes de los capilares de la retina y aparecen como pequeos puntos redondos de color rojo (ver Figura 2.11 b)) con un dimetro de 10 a 100 micras. El nmero de Microaneursmas se relaciona directamente con la gravedad de la Retinopata. Hemorragias.- Las hemorragias retinianas tienen su origen en la rotura de los Microaneursmas y aparecen como pequeos puntos o manchas rojas (ver Figura 2.11 b)). La progresin de la Retinopata Diabtica har que las hemorragias retinianas sean ms evidentes [7].
18
Captulo 2
Exudados Duros.- Los Exudados Duros son depsitos de lpidos usualmente localizados en la capa externa de la retina y son el resultado de las fugas de fluidos sanguneos de los Microaneursmas y de los capilares que circundan la zona macular [7,19]. Si el lpido se extiende a la zona macular, la visin puede verse seriamente comprometida. Los Exudados Duros tienen un aspecto amarillento, no tienen forma o tamao definido y se localizan en cualquier parte de la retina [1]. Los Exudados Duros pueden verse como puntos individuales (ver Figura 2.11 c)), agrupaciones (ver Figura 2.11 d)) o como anillos alrededor de fugas capilares (ver Figura 2.11 e)). Los exudados no son formaciones estticas, ya que pueden absorberse de forma espontnea en unos meses. Por lo general, en una retina no tratada el volumen de los exudados tiende a aumentar. En ocasiones los exudados se pueden confundir con drusas (lesiones vistas en la degeneracin macular asociada a la edad), que aparecen distribuidas con ms frecuencia en la macula (ver Figura 2.11 f)). Exudados Blandos.- Los Exudados Blandos o algodonosos son anomalas de color blanco en forma de crculo u ovalo, generalmente suelen aparecer junto a una zona con hemorragias (ver Figura 2.11 e)) y son el resultado de la inflamacin de la capa superficial de la retina [7]. Los Exudados Algodonosos representan una etapa de transicin entre la Retinopata Diabtica No Proliferativa o Vasculopata y la Retinopata Diabtica Proliferativa, a esta etapa se le conoce como Retinopata Diabtica Pre-Proliferativa. Anomalas Venosas.- Las Anomalas Venosas son lesiones graves que indican isquemia retiniana importante [26], estas anomalas son la segmentacin en forma de rosario (ver Figura 2.12 a)) o bucles venosos (ver Figura 2.12 b)). En la segmentacin en forma de rosario el dimetro de las venas aumenta de forma irregular hasta adoptar el aspecto de una hilera de salchichas. Los bucles venosos forman cortocircuitos en las oclusiones localizadas de las venas retinianas que en ocasiones se asocian a la proliferacin fibrovascular. Anomalas Microvasculares Retinianas (IRMA).- Son vasos retinianos con un patrn de ramificacin anormal (ver Figura 2.12 c)), que presentan un intento de revascularizar la retina isqumica [26]. Estn situadas entre las capas retinianas lo cual las diferencia de los neovasos que crecen en la superficie de la retina o hacia el vtreo.
19
Captulo 2
Figura 2. 11 Imgenes del fondo de ojo: a) Sin RD, b) con RDNP presenta Microaneursmas y hemorragias, c) con RDNP presenta pocos Exudados Duros, d) con RDNP presenta agrupacin de Exudados Duros, e) con RDNP presenta Exudados Blandos y Exudados Duros agrupados en forma de anillo y f) presenta drusas en la regin macular. (Fuente: Cortesa del Hospital General Ignacio Zaragoza del ISSSTE y del Servicio de Oftalmologa de la Unidad Mdica de Alta Especialidad del Centro Mdico Nacional La Raza del IMSS).
Figura 2. 12 Fragmentos de Imgenes del fondo de ojo: con anomalas venosas en forma de salchichas, b) con bucle venoso prominente y c) con IRMA presenta una ramificacin anormal de los vasos que proceden del lecho capilar. (Fuente: Jaroslaw Hernecki. (2009). Programa de cribaje de la Retinopata Diabtica en el valles oriental mediante cmara no midritica. p. 8 [26]).
20
Captulo 2
2.5
Clasificacin de la Retinopata Diabtica
Se han propuesto numerosas clasificaciones para reflejar la evolucin natural de la Retinopata Diabtica segn la gravedad de las lesiones observadas en el fondo de ojo. En la actualidad la clasificacin ms completa para la evaluacin de la Retinopata Diabtica es la versin final de la escala de gravedad del Estudio de la Retinopata Diabtica para el tratamiento oportuno (Early Treatment Diabetic Retinopathy Study por sus siglas en ingles ETDRS) [27,28]. Esta clasificacin establece 13 niveles de severidad de menor a mayor. A nivel prctico se utiliza una modificacin de la misma dividindose en tres tipos como se describe a continuacin [1,28]. No Retinopata Diabtica (Diabetes Mellitus sin lesiones oftalmoscpicas). Retinopata Diabtica No Proliferativa. Retinopata Diabtica Proliferativa. Como se mencion anteriormente este trabajo no est diseado para la deteccin de la Retinopata Diabtica Proliferativa, por lo que nica y exclusivamente se describirn los estadios de la Retinopata Diabtica No Proliferativa.
2.5.1 Estadios de la Retinopata Diabtica No Proliferativa

La Retinopata Diabtica No Proliferativa se divide en 4 estadios o etapas, y estas son: Leve o Nivel 1.- Presencia de Microaneursmas (An) y hemorragias retinianas (H) leves. Los Exudados Duros (ED) y Exudados Blandos (EB) pueden o no estar presentes. Moderada o Nivel 2.- Lesiones ms avanzadas que en la leve, pero menos que la severa (regla 4:2:1). Severa o Nivel 3.- Un criterio de la regla del 4:2:1. An y H severas en 4 cuadrantes. Anormalidades de las venas (AV) en al menos 2 cuadrantes. Anomalas Microvasculares Intrarretinianas (IRMA) moderado o extenso en al menos 1 cuadrante. Muy Severa o Nivel 4.- Al menos dos criterios de la regla 4:2:1.
21
Captulo 2
Por otro lado, la Asociacin Francesa para el estudio de la Diabetes y enfermedades metablicas (ALFEDIAM) basndose en la escala de severidad de la Retinopata Diabtica de la ETDRS [27,28] estableci una escala de severidad basada en la cantidad de Microaneursmas y Hemorragias retinianas presentes en el fondo de ojo, adems introdujo las caractersticas: no neovascularizacin y neovascularizacin [29], como se muestra en la Tabla 2.1,
Tabla 2. 1 Escala de Severidad de la Retinopata Diabtica propuesta por la ALFEDIAM.
Estadios
No RD o Nivel 0 Leve o Nivel 1 Moderado o Nivel 2 Severo o Nivel 3
Caractersticas
An = 0 y H = 0 (Diabetes sin lesiones oftalmoscpicas) 0 < An 5 y H = 0 (ED pueden o no estar presentes) 5 < An 15 o 0 < H < 5 y NV = 0 (ED pueden o no estar presentes) 5 < An 15 o 0 < H < 5 y NV = 0 (ED pueden o no estar presentes)
dnde: An = Nmero de Microaneursmas, ED = Exudados Duros, H = Nmero de hemorragias retinianas, NV = 0 No neovascularizacin y NV = 1 Neovascularizacin. Como se mencion anteriormente este trabajo no est diseado para la deteccin de la Retinopata Diabtica Proliferativa, por lo cual, nicamente se enlistaron la No Retinopata Diabtica y los tres estadios de la Retinopata Diabtica No proliferativa.
2.6
Mtodos de deteccin de la Retinopata Diabtica
La deteccin precoz de la Retinopata Diabtica basada en un mtodo de deteccin adecuado es esencial en la prevencin de la discapacidad visual. La deteccin y clasificacin de la Retinopata Diabtica a partir de imgenes de la retina es lenta y repetitiva, adems de que el proceso de clasificacin es tedioso y por lo tanto propenso a errores. Gran parte del tiempo de exploracin se consume en la deteccin de la Retinopata Diabtica No Proliferativa, la cual se podra evaluar de una manera automtica implementando los mtodos actuales de anlisis de imgenes y visin por computadora. Actualmente dos de los mtodos principalmente empleados en la deteccin de la Retinopata Diabtica son la oftalmoscopia y la fotografa del fondo de ojo, los cuales pueden realizarse con o sin midriasis (dilatacin de las pupilas).
22
Captulo 2
2.6.1 Oftalmoscopa
Es una tcnica diagnstica que consiste en visualizar el polo posterior del globo ocular, que incluye la retina, disco ptico, coroides y Vasos Sanguneos [1]. Existen tres tipos bsicos de oftalmoscopia y estos son: directa, indirecta e indirecta con lmpara de hendidura [7,13]. A continuacin se da una breve descripcin de cada uno de estos mtodos.
2.6.1.1 Oftalmoscopa directa

Tcnica sencilla en la cual la exploracin ocular se realiza mediante el uso de un oftalmoscopio monocular como se muestra en la Figura 2.13.
Procedimiento: El paciente permanece sentado sin moverse en una habitacin oscura, el mdico
acerca el oftalmoscopio primero a un ojo y despus al ojo contrario, realizando la visualizacin del fondo de ojo, el paciente debe evitar pestaear y deber seguir las instrucciones del mdico.
Figura 2. 13 Exploracin del fondo de ojo mediante oftalmoscopia directa. (Fuente: imagen de la web http://www.amdtelemedicine.com/telemedicine-equipment/ophthalmology/amd-2020direct-phthalmoscope.html).
2.6.1.2 Oftalmoscopa indirecta

Tcnica en la cual la exploracin ocular se realiza mediante el uso de un oftalmoscopio binocular y de una fuente de luz externa, como se muestra en la Figura 2.14 a).
23
Captulo 2
Procedimiento: El paciente permanece acostado o semi-inclinado sin moverse sobre una camilla
en una habitacin oscura, el mdico proyectar un haz de luz externa primero sobre un ojo y despus sobre el ojo contrario, realizando la visualizacin del fondo de ojo a travs del oftalmoscopio binocular que lleva colocado sobre sus ojos; el paciente debe evitar pestaear y seguir las instrucciones mientras el mdico realiza la visualizacin.
2.6.1.3 Oftalmoscopa indirecta con lmpara de hendidura

Tcnica compleja en la cual la exploracin ocular se realiza mediante el empleo de una lmpara de hendidura como se muestra en la Figura 2.14 b).
Procedimiento: El paciente permanece sentado sin moverse ni pestaear en una habitacin

oscura apoyando su barbilla sobre la base de la lmpara de hendidura, siguiendo las instrucciones mientras el mdico realiza la visualizacin. Esta es una tcnica compleja que debe ser realizada por un especialista en Oftalmologa.
a)
b)
Figura 2. 14 Exploracin del fondo de ojo mediante oftalmoscopia: a) Indirecta y b) Indirecta con lmpara de hendidura. (Fuente: P.H. Scanlon, C.P. Wilkinson, S.J. Aldington and D.R. Matthews, A Practical Manual of Diabetic Retinopathy Management, 1st Ed., Oxford, England: Wiley-Blackwell, 2009, ISBN-13: 9781444308181, pp. 4-5 [22]).
2.6.2 Fotografa del fondo de ojo

Tambin llamada retinografa es una tcnica que se utiliza para obtener fotografas digitales a color de la retina mediante el uso de la cmara de fondo de ojo (ver Figura 2.15 a)).
24
Captulo 2
La calidad de estas fotografas puede aumentar si el paciente tiene las pupilas dilatadas. Sin embargo el flash de la cmara es menos cmodo para los pacientes en este caso.
Procedimiento: Al paciente se le administran gotas oftlmicas (Tropicamida 1%) para que se

dilaten las pupilas, cuando estas estn lo suficientemente dilatadas se toman una o varias fotografas de la retina de cada ojo (ver Figura 2.15 b)) mediante una cmara fotogrfica especialmente diseada para este propsito. Este procedimiento es no invasivo e indoloro y permite una visin exacta de la retina, el nervio ptico y los Vasos Sanguneos.
Figura 2. 15 a) Cmara de fondo de ojo de la marca Carl Zeiss VISUCAMNM/FA, b) retinografa a color.
Actualmente las cmaras de fondo de ojo cuentan con filtros, y dependiendo de la longitud de onda del filtro usado, vamos a poder distinguir y localizar las lesiones en el fondo de ojo. Un filtro azul destaca la interface vtreo-retiniana y la capa de fibras nerviosas de la retina, uno verde destaca la vascularizacin retiniana y las alteraciones retinianas como la Retinopata Diabtica, la Retinopata Hipertensiva, la Retinosis Pigmentaria y la Degeneracin Macular asociada a la edad, y un rojo resalta la coroides.
2.6.3 Frecuencia de exploracin

La Asociacin Americana de la Diabetes (American Diabetes Association) recomienda la exploracin del fondo de ojo en los pacientes con Diabetes Mellitus una vez al ao y las exploraciones tienen que ser ms frecuentes en caso de que se desarrolle y/o progrese la Retinopata Diabtica. En la Tabla 2.2 se muestra la frecuencia de exploracin oftalmolgica en pacientes con Diabetes [8].
25
Captulo 2

Tabla 2. 2 Exploracin Oftalmolgica en pacientes con Diabetes.
Tipo de Retinopata Diabtica

No Retinopata Diabtica (Normal) Retinopata Diabtica No Proliferativa Leve o Moderada sin edema macular Retinopata Diabtica No Proliferativa Leve o Moderada con edema macular Retinopata Diabtica No Proliferativa Severa Retinopata Diabtica Proliferativa
Intervalo de Seguimiento
12 Meses 6 Meses 3 Meses 3 Meses 1 3 Meses
2.7
Algoritmos Propuestos en la Literatura
Se han propuesto una gran cantidad de algoritmos para el anlisis de las imgenes del fondo de ojo y para la clasificacin automtica de los estadios de la Retinopata Diabtica No Proliferativa. A continuacin solo se describen algunos de los algoritmos que fueron consultados y que sirvieron como referencia en el estudio del estado del arte durante el desarrollo de este trabajo.
2.7.1 Deteccin de Microaneursmas

Sinthayothin et al. [30] utiliza la mejora de contraste local para igualar la variacin de la intensidad en las imgenes del fondo de ojo. Estas imgenes se transformaron del modelo de color RGB al modelo de color IHS y la mejora del contraste local se aplica a la componente I de la imagen. Fleming et al. [31] segmenta las zonas que representan posibles Microaneursmas aplicando las tcnicas de crecimiento de regiones, mejora de la imagen mediante operaciones morfolgicas top-hat y umbralizacin. Los resultados obtenidos son clasificados con el mtodo de agrupamiento k-vecinos cercanos usando la informacin de los bordes y la intensidad de los candidatos a Microaneursmas.
26
Captulo 2
2.7.2 Deteccin de Exudados Duros

G.G. Gardner et al. [32] analiza 147 imgenes con Retinopata Diabtica y 32 sin Retinopata Diabtica usando una red neuronal de retro-propagacin. Esta red fue entrenada para reconocer caractersticas en las imgenes de la retina. Los efectos de las tcnicas de filtrado digital y las diferentes variables de la red neuronal se evaluaron para determinar el rendimiento de este algoritmo. La tasa de deteccin en el reconocimiento de los Vasos Sanguneos, los Exudados Duros y las Hemorragias fue de 91.7%, 93.1% y 73.8% respectivamente. Cuando se comparan estos resultados con los de un oftalmlogo, la sensibilidad de la Red Neuronal es de 88.4% y la especificidad de 83.5%. Walter et al. [33] elimina los Vasos Sanguneos aplicando operadores morfolgicos, en este caso la clausura morfolgica en la componente de luminancia de la imagen del fondo de ojo. A partir del resultado obtenido, se calcula un umbral a travs de una ventana que se desplaza dentro de la imagen en las zonas cercanas a los Exudados Duros. Los contornos ms detallados se obtuvieron al implementar la reconstruccin morfolgica, es decir mediante la diferencia de la imagen original y la imagen con la clausura morfolgica. Jagadish Nayak et al. [34] proponen un mtodo computarizado para la deteccin de los estadios de la Retinopata Diabtica usando imgenes del fondo de ojo. A estas imgenes se le aplican las tcnicas de pre-procesamiento, procesamiento morfolgico y anlisis de texturas con el objeto de detectar las caractersticas siguientes: rea de los Exudados Duros, rea de los Vasos Sanguneos y el contraste de la imagen. Este protocolo usa un total de 140 imgenes dentro de las cuales hay imgenes sin Retinopata Diabtica y con Retinopata Diabtica (2 estadios). Las caractersticas extradas son usadas como entradas de la Red Neuronal Artificial para la clasificacin automtica.
27
Captulo 2
2.8
Conclusiones
En este captulo se revisaron los fundamentos mdicos que sirvieron de base para el desarrollo de este trabajo, entre los conceptos ms importantes destacan el origen y los mtodos de deteccin y clasificacin de la Retinopata Diabtica, los cuales nos proporcionan informacin referente al origen de las lesiones que el especialista mdico busca en la exploracin del fondo de ojo y los estadios en que se clasifica la Retinopata Diabtica, prestando mayor atencin a la Retinopata Diabtica No Proliferativa, por ser el tema central de este trabajo de investigacin. Tambin se present una resea sobre los principales sistemas y algoritmos de anlisis de imgenes de la retina que se han propuesto en la literatura, haciendo nfasis en la deteccin de Exudados Duros y Microaneursmas, siendo estos ltimos las primeras lesiones clnicamente detectables de la Retinopata Diabtica. Por otro lado, para tomar conciencia de la importancia de un diagnstico oportuno y eficaz de esta enfermedad fue necesario investigar el impacto de la Retinopata Diabtica y la frecuencia de exploracin del fondo de ojo en pacientes con Diabetes Mellitus. Con todo lo anterior se obtiene el conocimiento necesario para el desarrollo del presente trabajo de investigacin.
2.9
[1]
Referencias
A.K. Khurana, Comprehensive Ophthalmology, 4th ed., New Delhi, India: New Age International (P) Ltd., 2007, ISBN-10: 8122420419, ISBN-13: 9788122420418, pp. 17, 249-252, 259-261, 477-478, 564-569.
[2] [3]
The eye and vision. [Consulted on May 2011], Available at:

http://www.eyesurgerychoices.com/Vision.html K. Rogers, The eye: The Physiology of Human Perceptions, 1st ed., New York, USA: Britannica Educational Publishing, 2011, ISBN-13: 9781615301164, ISBN-13: 9781615302550, pp. 30-39, 75-81, 98-103, 210, 216-219.
28
Captulo 2
[4]
J.C. Martins and L.A. Sousa, Bioelectronic Vision: Retina Models, Evaluation Metrics, and
System Design, Series on Bioengineering & Biomedical Engineering, Vol. 3, Toh Tuck,
Singapore: World Scientific Publishing Co. Pte. Ltd., 2009, ISBN-10: 9812794301, ISBN13: 9789812794307, pp. 28-44. [5] [6] [7] F.T. Ruiz, Sistemas Audiovisuales: Televisin Analgica y Digital, 1ra Ed., Barcelona, Espaa: Ediciones UPC, 2000, ISBN-13: 9788483013939, pp. 26-32. M. Ebner, Color Constancy, 1st Ed., West Sussex, England: John Wiley and Sons Ltd., 2007, ISBN-13: 9780470058299, pp. 9-16. B. James, C. Chew and A. Bron, Lecture Notes on Ophthalmology, 9th Ed., Oxford, England: Blackwell Publishing Ltd., 2003, ISBN-10: 1405107146, ISBN-13: 9781405107143, pp. 89, 27-35, 135-142, 154-155. [8] T. Schlote, J. Rohrach, M. Grueb and J. Mielke, Pocket Atlas of Ophthalmology, 1st Ed., Stuttgart, Germany: Georg Thieme Verlag, 2006, ISBN-10:3131398213, ISBN-13: 9783131398215, pp. 2, 4, 6, 10, 12, 184-189. [9] D. Skusevich and P. Matikas, Color Perception: Physiology, Processes and Analysis, Neuroscience Research Progress, Vol. 1, New York, USA: Nova Science Publishers, Inc., 2009, ISBN-13: 9781608760770, pp. 105-106. [10] I. Grierson, the Eye Book: Eyes and Eye Problems Explained , 1st Ed., Liverpool, England: Liverpool University Press, 2000, ISBN-10: 0853237557, ISBN-13: 9780853237556, pp. 15-21, 69-72. [11] [12] Johan Maurice Gisele Lammens, A computational model of color perception and color naming, State University of New York at Buffalo, Buffalo, NY, 1995, pp. 19-22. S.H. Schwartz, Visual Perception: A Clinical Orientation , 4th Ed., USA: McGraw Hill, 2009, ISBN-10: 0071604626, ISBN-13: 9780071604628, pp. 6-8, 20-35, 276-290, 345 362. [13] [14] [15] A.M. Ansons and H. Davis, Diagnosis and Management of Ocular Motility Disorders, 3rd Ed., Oxford, England: Wiley-Blackwell, 2008, ISBN-13: 9780470698297, pp. 22-24, 68-71. M. Latarjet, A.R. Liard and E.A. Pro, Anatoma humana, Vol. 1, 4ta Ed., Madrid, Espaa: Medica Panamericana, 2004, ISBN.13: 9788479037178, pp. 448-449. Organizacin Mundial de la salud, Diabetes Nota descriptiva No. 312. [Consultado en Mayo 2011], Disponible en: http://www.who.int/mediacentre/factsheets/fs312/es/ [16]
A global View of Blindness and Low Vision. [Consulted on May 2011], Available at:
http://www.visionaware.org/a_global_view_of_vision_impairment
29
Captulo 2
[17]
S. Resnikoff, D. Pascolini , D. Etyaale, I. Kocur, R. Pararajasegaram, G.P. Pokharel, et al.
Global data on visual impairment in the year 2002. Bull World Health Organ, 2004, Vol. 82,
pp. 844-851. [Consulted on May 2011], Available at: http://www.who.int/bulletin/volumes/82/11/en/844.pdf [18] S. M. Marshal and A. Flyvbjerg, Prevention and early detection of vascular complications of
diabetes, British Med Journal, 2006, Vol. 333 (Suppl. 7566), pp. 475-480.
[Consulted on May 2011], Available at: http://www.ncbi.nlm.nih.gov/pmc/articles/PMC1557968/pdf/bmj33300475.pdf [19] [20] [21] [22] M.W. Leitman, Manual for Eye Examination and Diagnosis, 7th Ed., Oxford, England: WileyBlackwell, 2007, ISBN-13: 9781405168229, pp. 100-104, 106-107, 113-119. E.L. Lamoureux, J.B. Hassell and J.E. Keeffe, the Impact of Diabetic Retinopathy on
Participation in Daily Living, Arch Ophthalmol, 2004, Vol. 122, pp. 84-88.
ENSANUT 2006, Instituto Nacional de Salud Pblica. A. Jimnez-Corona, R. Rojas, F.J. Gmez-Prez, C.A. Aguilar-Salinas, Early-onset type 2
diabetes in a Mexican survey. Results from the National Health and Nutrition Survey 2006,
Salud Pub Mex, 2010, Vol. 52 (Suppl. 1), pp. 27-35. [Consulted on May 2011], Available at: http://bvs.insp.mx/rsp/_files/File/2010/Suplemento%201%20vol%2052/4-based.pdf [23] A.F.M. Hani, L.I. Izhar and H.A. Nugroho, Analysis of Foveal Avascular Zone in Color Fundus
Image for Grading of Diabetic Retinopathy, International Journal of Recent Trends in

Engineering, 2009, Vol. 2, No. 6, pp. 101-104. [Consulted on May 2011], Available at: http://www.academypublisher.com/ijrte/vol02/no06/ijrte0206101104.pdf [24] M.H. Ahmad Fadzil and L.I. Izhar, A non-Invasive method for analysing the retina for ocular
manifested diseases, Malaysia patent filing no. PI20083503, September 2008.

[Consulted on May 2011], Available at: http://www.sumobrain.com/patents/wipo/Non-invasive-method-analysingretina/WO2010030159A2.pdf [25] A.C. Ho, Diabetic Retinopathy, Diabetes and your eyes. [Consulted on May 2011], Available at: http://www.improveyourvision.com/macular-center/diabetic-retinopathy.html [26] Jaroslaw Hernecki. (2009). Programa de cribaje de la Retinopata Diabtica en el valles
oriental mediante cmara no midritica . (Tesis de Doctorado Universidad Autnoma de

Barcelona, Espaa). pp. 5-9. [27] D.J. Browning, Diabetic Retinopathy: Evidence Based Management, 1st Ed., New York, USA: Springer, 2010, ISBN-10: 0387858997, ISBN-13: 9780387858999, pp. 31, 59-61, 105120.
30
Captulo 2
[28]
I.U. Scott, H.W. Flynn and W.E. Smiddy, Diabetes and Ocular Disease: Past, Present, and
Future Therapies, 2nd Ed., New York, USA: Oxford University Press, 2010, ISBN-10:
1560551739, ISBN-13: 9781560551737, pp. 13-23. [29] Mthodes d'Evaluation de Systmes de Segmentation et d'Indexation Ddies l'Ophtalmologie Rtinienne. [Consult en Mai 2011], Disponible a: http://messidor.crihan.fr/download.php [30] C. Sinthanayothin, J.F. Boyce, T.H. Williamson, H.L. Cook, E. Mensah, S. Lal, and D. Usher,
Automated detection of diabetic retinopathy on digital fundus images, Diabetic Medicine,

2002, Vol. 19, pp. 105112. [Consulted on May 2011], Available at: http://www.cephsmilev2.com/chanjira/Papers/2002/DMJournal2002_pooh.pdf [31] A.D. Fleming, S. Philip, K.A. Goatman, J.A. Olson and P.F. Sharp, Automated microaneurysm
detection using local contrast normalization and local vessel detection , IEEE Transactions in
Medical Imaging, 2006, Vol. 25 (Suppl. 9), pp. 12231232. [Consulted on May 2011], Available at: http://es.scribd.com/doc/40369076/Automated-Micro-Aneurysm-Detection-Using-LocalContrast-Normalization-and-Local-Vessel-Detection [32] G.G. Gardner, D. Keating, T.H. Williamson and A.T. Elliot, Automatic detection of diabetic
retinopathy using an artificial neural network: a screening tool, British Journal of

Ophthalmology, 1996, Vol. 80, pp. 940-944. [Consulted on May 2011], Available at: http://www.ncbi.nlm.nih.gov/pmc/articles/PMC505667/pdf/brjopthal00011-0006.pdf [33] T. Walter, J.C. Klein, P. Massin and A. Erginay, A contribution of image processing to the
diagnosis of diabetic retinopathy - detection of exudates in color fundus images of the human retina, IEEE Transactions on Medical Imaging, 2002, Vol. 21, pp. 12361243.
[Consulted on May 2011], Available at: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=1174101 [34] J. Nayak, P.S. Bhat, R. Acharya, C.M. Lim and M. Kagathi, Automated Identification of
Diabetic Retinopathy Stages Using Digital Fundus Images, J Med Syst, 2008, Vol. 32, pp.
107-115. [Consulted on May 2011], Available at: http://www.springerlink.com/content/7638t987585q4w32/fulltext.pdf
31
Captulo
Elementos de un Sistema CADx
La inteligencia consiste no solo en el conocimiento, sino tambin en la destreza de aplicar los conocimientos en la prctica. Aristteles (384 A.C. - 322 A.C.)
3.1
Introduccin
En este captulo se presentan los fundamentos tericos de Deteccin Asistida por Computadora (CADe), Diagnstico Asistido por Computadora (CADx), Sistema Diagnstico Asistido por Computadora (Sistema CADx), Procesamiento Digital de Imgenes (PDI) y Redes Neuronales Artificiales (RNA). Tambin en este captulo se muestra la implementacin de los algoritmos de Procesamiento Digital de Imgenes utilizados en el desarrollo de este trabajo, haciendo uso del programa MATLAB revisin 2010a instalado en un equipo de cmputo convencional.
3.2
Deteccin Asistida por Computadora
La Deteccin Asistida por Computadora o CADe (Computer-Aided Detection por sus siglas en ingls) se refiere, a los procesos donde los signos de patologa son detectados automticamente en las imgenes mdicas, a travs de la extraccin de las caractersticas que estn altamente correlacionadas con el tipo y las caractersticas de la anormalidad o la enfermedad bajo investigacin, posteriormente su ubicacin es marcada para que pueda ser evaluada por el especialista mdico [1-3].
32
Captulo 3
Elementos de un Sistema Diagnstico Asistido por Computadora
3.3
Diagnstico Asistido por Computadora
El Diagnstico Asistido por Computadora o CADx (Computer-Aided Diagnosis por sus siglas en ingls) es un concepto amplio que integra las matemticas, fsica, estadstica, procesamiento digital y visin por computadora en las tcnicas computacionales que auxilian a los mdicos en la toma de decisiones [1, 4-6]. Estas tcnicas incluyen la deteccin de enfermedades y estructuras anatmicas de inters, la clasificacin de las lesiones, la cuantificacin de la enfermedad y las estructuras anatmicas, el anlisis volumtrico, la progresin de la enfermedad y la respuesta temporal a la terapia [1].
3.4
Sistema Diagnstico Asistido por Computadora
Un Sistema Diagnstico Asistido por Computadora (Sistema CADx) se define como, la combinacin de tcnicas de Procesamiento Digital de Imgenes y Mtodos Inteligentes (Redes Neuronales y/o Lgica Difusa), empleados para mejorar la interpretacin mdica, dando como resultado un diagnstico ms eficiente [4-6]. En la Figura 3.1 se muestran las etapas que conforman un Sistema CADx [7], posteriormente se describe cada una de estas etapas y los algoritmos que se usaron en ellas.
Figura 3. 1 Arquitectura de un Sistema Diagnstico Asistido por Computadora (Sistema CADx). (Fuente: C. Heang Ping, S. Berkman and H. Lubomir, Computer Aided Diagnosis: Concepts and Applications, University of Michigan Medical School [7])
33
Captulo 3
3.5
Imagen Digital
), donde
Una imagen se define como una funcin bidimensional de intensidad de luz ( son las coordenadas espaciales, y la amplitud de gris de la imagen en ese punto [8-12]. Cuando en un punto (
) es proporcional al nivel de
son cantidades discretas y finitas, se le
llama imagen digital: La imagen digital es considerada como una matriz cuya fila y columna indican un punto de la imagen, el valor correspondiente a ese elemento (pixel) indica el nivel de gris en ese punto (ver Figura 3.2).
Figura 3. 2 Representacin de la convencin de imgenes digitales. El valor de y se incrementa de izquierda a derecha, mientras que el valor de x se incrementa de arriba hacia abajo.
3.5.1 Propiedades de las imgenes digitales

Una imagen digital tiene tres propiedades fundamentales: resolucin espacial, resolucin de niveles de gris y nmero de planos [11,12]. Resolucin espacial.- Se define como el nmero de pixeles por fila y por columna. Una imagen de filas y columnas tiene un total de pixeles. La resolucin espacial se relaciona con los detalles que pueden hacerse visibles en una imagen, mientras mayor sea la resolucin espacial, menor ser el rea representada por cada pixel en una imagen digital y mayores sern los detalles que pueden ser apreciados en la misma. Resolucin de niveles de gris o profundidad del pixel.- Es el nmero de bits utilizados para representar la intensidad que presenta una imagen digital. Para una cantidad de puede tomar valores diferentes. Por ejemplo, si valores distintos en el intervalo de 0 a 255. bits, el pixel es igual a 8 bits, un pixel puede tomar 256
34
Captulo 3
Nmero de planos en una imagen.- Es el nmero de arreglos de pixeles que componen la imagen. Planos de una imagen en escala de grises.- Una imagen en escala de grises est compuesta de tres planos iguales, por lo tanto se dice que consta de un solo plano y se representa por medio de una matriz bidimensional de pixeles de ancho y elemento elementos, en donde representa el nmero de el nmero de pixeles de largo, como se muestra en la Figura 3.3 a). El
corresponde al elemento de la esquina superior izquierda donde cada elemento de
la matriz de la imagen tiene un valor entre 0 (negro) y 255 (blanco). Planos en una imagen RGB.- Una imagen a color RGB (true color o color verdadero) es representada por una matriz tridimensional nmero de pixeles de ancho, (ver Figura 3.3 b)) donde representa el el nmero de pixeles de largo y representa el plano [9].
Figura 3. 3 Representacin de una imagen digital. a) En escala de grises y b) A color RGB.
El trmino color verdadero se emplea para denotar una imagen de color RGB de 24 bits por pixel. En la profundidad de color de 24 bits por pixel, se dedica un byte entero a representar la intensidad luminosa de cada uno de los tres tonos primarios: rojo, verde y azul, lo cual permite que cada pixel pueda tomar ( [8]. ) colores distintos
35
Captulo 3
3.5.2 Espacio de color RGB

El espacio o modelo de color RGB se compone de tres capas o planos, cada uno de los cuales est asociado a los colores rojo ( R), verde (G) y azul (B) [8, 9] como se muestra en la Figura 3.4.
Figura 3. 4 Componentes de una imagen. a) Imagen RGB (color verdadero), b) Componente Roja, c) Componente Verde y d) Componente Azul.
La profundidad de color, tambin conocida como bits por pixel (bpp), se refiere al nmero de bits necesarios para representar el color de un pixel en una imagen digital. Una profundidad de implica que cada pixel de la imagen puede tener colores distintos [8]. bits valores posibles y por lo tanto, representar
3.5.3 Adquisicin de las retinografas

Las imgenes con Retinopata Diabtica fueron proporcionadas por el Hospital General Ignacio Zaragoza del ISSSTE y por el Servicio de Oftalmologa de la Unidad Mdica de Alta Especialidad del Centro Mdico Nacional La Raza del IMSS, dado que estas imgenes no estaban clasificadas se opt por emplear las retinografas obtenidas de la base de datos del proyecto TECHNOVISION. MESSIDOR: methods to evaluate segmentation and indexing techniques in the field of retinal ophthalmology, las cuales fueron clasificadas por mdicos especialistas. En la Tabla 3.1 se muestran las caractersticas de estas imgenes.
36
Captulo 3

Tabla 3. 1 Caractersticas de las imgenes empleadas en este trabajo.
Cmara de Fondo de ojo Modelo Manufacturada Tipo de imagen Campo de Visin Resolucin Horizontal Resolucin Vertical Resolucin Espacial Profundidad de color Formato de la imagen
No midritica TOPCON TRC NW6 TOPCON Color Verdadero 45 grados 3504 pixeles / 2304 pixeles / 1440 pixeles 2336 pixeles / 1536 pixeles / 960 pixeles 5 m por pixel / 8 m por pixel / 13 m por pixel 24 bits TIFF 162 tienen RDNP (54 por cada estadio de la RDNP) 54 no tienen RD (son retinas sanas)
Cantidad de retinografas 216 de las cuales:
3.6
Pre-procesamiento
La etapa de pre-procesamiento consiste en mejorar el aspecto visual de una imagen (tamao, contraste, intensidad, espacio de color, etc.) y convertir la imagen a una forma ms adecuada para su anlisis, a travs de la implementacin de diversos algoritmos [11, 13-16]. En este trabajo se usaron los siguientes algoritmos en la etapa de pre-procesamiento: escalado, descomposicin del espacio de color RGB, conversin del espacio de color, mejora del contraste y negativo de la imagen, los cuales se explican a continuacin.
3.6.1 Normalizacin del tamao de las imgenes

La normalizacin consiste en llevar a un tamao estndar las dimensiones de una imagen, sin provocar en ella alguna distorsin de importancia [11]. Uno de los algoritmos comnmente empleados en esta etapa es el escalado, ya que nos permite reducir (eliminar) pixeles o aumentar (incorporar) nuevos pixeles a la imagen, adems de hacer zoom en ciertas reas de la misma [8, 11, 13].
37
Captulo 3
En nuestro caso, las imgenes que conforman nuestra base de datos son rectangulares y han sido normalizadas a 720 pixeles por el lado mayor, mientras que el tamao del lado menor est dado en funcin de la relacin de aspecto, con la finalidad de mantener la proporcin que tiene la imagen entre sus lados al momento de ser capturada. La normalizacin de las imgenes empleadas en el presente trabajo se ha llevado a cabo a travs de la interpolacin bicbica, ya que sta preserva los detalles finos de una imagen [11]. En la Figura 3.5 se muestra un ejemplo de la normalizacin de una imagen, cuya resolucin espacial original era de 1440 x 960 pixeles y la resolucin espacial final es de 720 x 480 pixeles, la relacin de esta normalizacin es de 1:2 pixeles.
Figura 3. 5 Imagen normalizada.
3.6.1.1 Interpolacin de una imagen

La interpolacin es una herramienta bsica, usada en los procesos de escalado, rotacin, traslacin y correcciones geomtricas. Bsicamente, la interpolacin es un proceso que calcula valores numricos desconocidos a partir de otros valores ya conocidos. Algunos de estos mtodos son interpolacin por vecinos cercanos, interpolacin bilineal (proceso de interpolacin de dos dimensiones usando una secuencia de interpolaciones lineales unidimensionales) e interpolacin bicbica, la cual se describe a continuacin. Interpolacin bicbica.- Es una interpolacin bidimensional que se realiza usando una secuencia de interpolaciones cbicas unidimensionales [8]. Este tipo de interpolacin considera los diecisis pixeles ms cercanos al pixel ( ) a interpolar. ) se obtiene mediante la ecuacin:
La intensidad de un valor asignado a un punto (
38
Captulo 3
donde los diecisis coeficientes ( ( ).
) se determinan a partir de las diecisis ecuaciones con ) al punto
diecisis incgnitas, que se pueden escribir con los diecisis vecinos cercanos (
Vecinos de un pixel.- Un pixel
con coordenadas ( )(
) tiene cuatro vecinos dos horizontales y )( )( ), a este conjunto ) ( ) ( ). Los cuatro vecinos diagonales ( ) se les llama 8-
dos verticales cuyas coordenadas son ( de ( vecinos de se denotan como )( y se denota por
de pixeles se les llama 4-vecinos de , y se denota como
( ) y tienen como coordenadas ( ), a estos puntos junto con los 4-vecinos ( ) [11].
3.6.2 Descomposicin del espacio de color RGB

La descomposicin del espacio de color, se asocia a planos cuyos valores se encuentran generalmente entre 0 y 1, indicando 0 la falta total de ese plano y 1 la intensidad mxima de ese plano. Por ejemplo, en el espacio de color RGB, tener todos los planos en 1 representa el color blanco, y tener todos los planos en 0 representa el color negro. En la Figura 3.6 se muestra la descomposicin del espacio de color RGB de la retinografa mostrada en la Figura 3.5. La descomposicin del espacio de color se llev a cabo a travs de los siguientes comandos en MATLAB, considerando que la imagen RGB mostrada en la Figura 3.6 est almacenada en la variable im_original. ( ( ( ) ) ) ( ( ( ) ) )
39
Captulo 3
Figura 3. 6 Descomposicin del espacio de color RGB: a) Plano Rojo ( R), b) Plano Verde (G), y c) Plano Azul (B).
3.6.3 Conversin del espacio de color RGB a escala de grises

Debido a que la mayora de los algoritmos de procesamiento de imgenes se llevan a cabo utilizando imgenes monocromticas (binarias y en escala de grises) [8, 11], adems de que los parmetros a color RGB (Red, Green, Blue) no son necesarios en nuestra clasificacin, se decidi convertir la imagen RGB en una imagen en escala de grises (GS), como se muestra en la Figura 3.7.
Figura 3. 7 Imagen en escala de grises
Este proceso tambin se realiz para disminuir la carga computacional de las etapas posteriores al pre-procesamiento, sin perder calidad en la imagen, ya que en vez de procesar tres planos como sucede con las imgenes RGB solamente se procesa un solo plano. Para convertir una imagen RGB en una imagen en escala de grises se us la funcin rgb2gray de MATLAB, la cual matemticamente se define como: ( dnde son los valores de intensidad de cada plano en la imagen original (RGB) [8]. )
40
Captulo 3
Por otro lado, la conversin del espacio de color tambin se puede realizar en cada uno de los planos de una imagen a color RGB como se muestra en la Figura 3.8, usando los comandos siguientes: ( ( ( ) ) )
Figura 3. 8 Conversin del espacio de color. a) Plano Rojo, b) Plano Verde, y c) Plano Azul.
3.6.4 Mejora del contraste

Esta etapa consiste en modificar los pixeles de una imagen con la finalidad de obtener un nuevo contraste [13-16]. El contraste se define como la diferencia relativa en intensidad que existe entre un punto de una imagen y sus alrededores, cuando el contraste es nulo, resulta imposible distinguir un objeto de su fondo. Para mejorar el contraste de las imgenes en escala de grises en este trabajo se implementaron dos algoritmos: ajuste de los valores de intensidad y ecualizacin del histograma [8, 11, 13-16].
3.6.4.1 Ajuste de los valores de intensidad

Es una herramienta bsica para la transformacin de intensidades en imgenes en escala de grises y consiste en delimitar un intervalo de intensidades [8]. Las intensidades que se encuentran dentro del intervalo delimitado pueden ser mapeadas a nuevos valores, de acuerdo a una curva establecida por el usuario, dicha curva est definida por cinco parmetros, el factor gamma (), Vbajo_salida, Valto_salida, Vbajo_entrada y Valto_entrada, donde Valto_salida y Vbajo_salida delimitan el intervalo de valores de intensidad que se modificaran, mientras que el factor gamma, Vbajo_entrada y Valto_entrada indican la forma de la curva, estas propiedades se muestran en la Figura 3.9.
41
Captulo 3
Figura 3. 9 Curvas de ajuste de contraste.
3.6.4.2 Ecualizacin del histograma

El histograma es la representacin grfica, en forma de barras o valores discretos, de la funcin de distribucin de los valores de intensidad de una imagen, agrupados en clases [8,11]. En otras palabras es un arreglo que contiene como datos el nmero de pixeles que tienen un mismo valor de intensidad, para el caso de las imgenes en escala de grises es de 256. La ecualizacin del histograma consiste en hacer una transformacin de la intensidad de los pixeles para mejorar el intervalo dinmico de una imagen y darle mayor contraste [11]. Lo anterior se logra implementando el siguiente algoritmo [8,11]: 1.- Obtener el histograma de la imagen en escala de grises. ( ) donde es el nivel de intensidad en el intervalo [0, 255] y . ( )
es el nmero de
pixeles en la imagen, cuyo nivel de intensidad es
2.- Calcular mediante la ecuacin 3.3 el arreglo de la funcin de distribucin acumulada (FDA) a partir del histograma obtenido en el paso 1 (ecuacin 3.3). () () ( ) )y ( )
donde ( ) es el histograma de la imagen en escala de grises (para nmero de niveles de gris en la imagen. El valor de ( ) es igual a cero.
es el
3.- Encontrar los nuevos valores que abarcan todo el intervalo dinmico posible en una imagen.
42
Captulo 3

( ) ( ) ) ( ))
donde
son las dimensiones de la imagen,
es el valor mnimo del arreglo )y
es el nmero de intensidades existentes (para gris en la imagen.
es el nmero de niveles de
En la Figura 3.10 se muestran los resultados obtenidos al implementar los algoritmos de mejora de contraste descritos anteriormente.
Figura 3. 10 Implementacin de los algoritmos de mejora de contraste en imgenes en escala de grises: a) Imagen original en escala de grises y su histograma, b) Ajuste de los valores de intensidad y c) Ecualizacin del histograma.
43
Captulo 3
3.6.5 Negativo de una imagen

El negativo de una imagen con niveles de intensidad en el intervalo [0, L-1] se obtiene usando la transformacin negativa mostrada en la Figura 3.11, la cual est dada por la siguiente expresin: ( Donde es el valor del pixel antes del procesamiento y )
es el valor del pixel despus del
procesamiento [8,11]. Al invertir los niveles de intensidad de una imagen, se produce el equivalente al negativo de una fotografa [8, 16, 17]. Este tipo de procesamiento est diseado particularmente para mejorar los detalles blancos o grises incrustados en las regiones obscuras de una imagen, especialmente cuando las reas obscuras son las que dominan en tamao [11].
Figura 3. 11 Algunas funciones bsicas de transformaciones de intensidad. Todas las curvas estn escaladas para ajustarse en el intervalo mostrado. (Fuente: R.C. Gonzalez, R.E. Woods and S.T. Eddins, Digital Image Processing using MATLAB, 2nd Ed., Knoxville, USA: Gatesmark Publishing, 2009, pp. 78 [11]).
44
Captulo 3
En la Figura 3.12 se muestra el negativo de una imagen, donde la imagen original es una retinografa con lesiones pequeas (Exudados Duros y Microaneursmas), a pesar de que el contenido visual es el mismo en ambas imgenes, hay que tener en cuenta que en este caso en particular, analizar la lesin en la imagen negativa es ms fcil con respecto a la imagen original.
Figura 3. 12 a) Imagen digital original y b) Negativo de la imagen.
3.7
Segmentacin
La etapa de segmentacin consiste en dividir una imagen digital en regiones homogneas con respecto a una o ms caractersticas, con el objetivo de facilitar su anlisis y reconocimiento automtico. Existen varios algoritmos de segmentacin como lo son: binarizacin, deteccin de bordes y morfologa matemtica [13, 14, 17, 18], los cuales se emplearon en este trabajo de tesis y se explican a continuacin.
3.7.1 Binarizacin
Consiste en crear una imagen binaria (blanco y negro) a partir de una imagen en escala de grises. La imagen binaria est definida por: ( ( ) { ( donde ( ) ) ( )
) representa la imagen binaria, 1 y 0 representan el color blanco (objeto) y negro ) representa la imagen en escala de grises y el valor de umbral
(fondo) respectivamente, (
establecido. A continuacin se describen los tres algoritmos de binarizacin comnmente descritos en la literatura [8, 17].
45
Captulo 3
3.7.1.1 Binarizacin local

Este mtodo se utiliza cuando el fondo de la imagen no es constante y se obtiene un valor de umbral diferente para cada pixel. Matemticamente se expresa como: ( Donde son constantes no negativas, )
son la desviacin estndar y el valor medio ) en una imagen. La
del conjunto de pixeles contenidos en un vecino cercano con centro en ( imagen segmentada se calcula como: ( ( ) { ( dnde ( ) )
) es la imagen de entrada. La ecuacin anterior es evaluada e implementada en
todos los pixeles de la imagen [8].
3.7.1.2 Binarizacin global

Este mtodo se utiliza cuando la intensidad del fondo de la imagen vara muy poco o no tiene variaciones, por lo que para este mtodo se selecciona un valor de umbral constante ( ). Existen diversos algoritmos para elegir este valor, entre ellos el algoritmo de Gonzlez y Woods y el algoritmo de Otsu [8, 11, 17], ambos utilizados en el presente trabajo. 3.7.1.2.1 Algoritmo de Gonzlez y Woods Este algoritmo es capaz de seleccionar el valor de umbral procesos iterativos, tal y como se muestra a continuacin: 1.- Se elige un valor de umbralizacin estimado mnimo y el mximo de la intensidad. , usualmente se escoge el valor medio entre el de manera automtica, a travs de
46
Captulo 3

. Se producirn dos grupos de pixeles: ,y contiene . , respectivamente.
2.- Se segmenta la imagen usando el valor de umbral y ,
contiene todos los pixeles con valores de intensidad mayores a
todos los pixeles con valores de intensidad menores o iguales a 3.- Se calcula el promedio de intensidades 4.- Se genera un nuevo valor de las regiones
, usando la siguiente ecuacin: ( ) sea menor que . ( )
5.- Repetir del paso 2 al paso 4 hasta que el valor de 3.7.1.2.2 Algoritmo de Otsu Este algoritmo utiliza un valor de umbral
que maximiza el valor de la varianza entre las clases
de una imagen. A continuacin se describe cmo se lleva a cabo dicho algoritmo: 1.- Se obtiene el histograma normalizado de la imagen. ( donde es el nmero total de pixeles en la imagen, para y )
es el nmero de pixeles que tienen los es el nmero total de los valores de
niveles de intensidad
intensidad posibles en la imagen. 2.- Se selecciona el valor de umbralizacin conjunto de pixeles con valores de ( de ( ), entonces: ( ) dnde ( )[ ( ) ] ( ) ( )[ ( ) ] ( ) que maximice el valor de la varianza entre clases es elegido tal que sea el )y sea el conjunto de pixeles con valores
( ), tomando en cuenta que el valor de umbralizacin
es el pixel asignado al i-simo valor, respectivamente.
( ) es la probabilidad de que existan
los conjuntos
47
Captulo 3
( )
( )
( )
Los trminos toda la imagen).
( )
( ) son la media de las intensidades de los pixeles del conjunto es la media global (la media de las intensidades contenidas en
respectivamente. El termino
( )
3.- Se obtiene la varianza entre clases ( )
( ) de la imagen, realizando la siguiente operacin: [ ( ) ( )[ ( )] ( )]
4.- Se repiten estos pasos hasta encontrar un valor de umbralizacin , que maximice el valor de la varianza entre clases ( ).
La implementacin de este algoritmo es computacionalmente ms eficiente debido a que solo dos parmetros parmetro tienen que ser calculados para todos los valores de se calcula una sola vez [8]. , mientras que el
3.7.1.3 Binarizacin con histresis

Este mtodo consta de dos valores de umbralizacin, umbral bajo y umbral alto. Si la magnitud del pixel es mayor al valor del umbral alto se le llama pixel rgido y su magnitud cambia a 1, si la magnitud del pixel es menor al valor del umbral bajo se le llama pixel dbil y su magnitud cambia a 0, si la magnitud del pixel se encuentra entre los dos valores de umbralizacin (umbral bajo y umbral alto) se analizaran los valores de sus pixeles vecinos y si est se encuentra en contacto con un pixel rgido este se convertir en un pixel rgido y su magnitud cambiara a 1.
48
Captulo 3
3.7.2 Deteccin de bordes

La deteccin de bordes, es un mtodo usado para detectar los cambios de intensidad en imgenes de 2 y 3 dimensiones. El borde de una imagen se define, como la transicin entre dos regiones con niveles de intensidad significativamente distintos [19], en otras palabras un borde es un contorno a travs del cual el brillo de la imagen cambia abruptamente en magnitud [11]. La mayora de los algoritmos de deteccin de bordes emplean operadores locales basados en distintas aproximaciones discretas de la primera y segunda derivada de una imagen. La primera derivada es cero en todas las regiones de intensidad constante y tiene un valor constante en toda la transicin de intensidad. La segunda derivada en cambio es cero en todos los puntos, excepto en el comienzo y en el final de una transicin de intensidad [11, 16, 17, 19], como se muestra en la Figura 3.13.
Figura 3. 13 Conceptos de primera y segunda derivada para la deteccin de bordes. (Fuente: Imagen de la web http://mipav.cit.nih.gov/documentation/HTML%20Algorithms/Edge_Detection_Zero_X.html)
Por lo tanto, un cambio de intensidad se manifiesta como un cambio brusco en la primera derivada y presenta un cruce por cero, es decir produce un cambio de signo en su valor, en la segunda derivada. A continuacin se describen los dos tipos de operadores usados en la deteccin de bordes en una imagen.
49
Captulo 3
3.7.2.1 Operadores basados en la primera derivada (Gradiente)

El gradiente de una imagen ( ) en la posicin ( [ ] [ ) viene dado por el vector: ] ( )
El gradiente de un vector indica la direccin de la mxima variacin de mientras que el mdulo del vector unidad de distancia en la direccin de . | |
en el punto ( (
), ) por
nos da el valor de la mxima variacin de
En el Procesamiento Digital de Imgenes, es comn aproximar el gradiente por sus valores absolutos, debido a que su implementacin en la prctica es ms simple. | La direccin del vector un punto ( expresin. ( ) ( ) ( ) est dada por ( | | | ( ) en
) que es el ngulo de direccin del vector
), estos ngulos se miden con respecto al eje de las abscisas usando la siguiente
El clculo del gradiente se basa en obtener las derivadas parciales para cada pixel. Las derivadas se pueden implementar digitalmente de varias formas [11, 12, 16-19], por ejemplo, mediante el uso de matrices o mscaras de convolucin, donde la suma de los coeficientes de las mscaras debe ser cero, para que la derivada de una zona uniforme sea cero, tal y como se muestra a continuacin. Operador de Roberts.- Utiliza las direcciones diagonales para calcular el vector gradiente mediante las mscaras mostradas en la Figura 3.14 a), este operador funciona mejor en imgenes binarias y es considerado el operador de gradiente ms simple.
50
Captulo 3
Operador de Prewitt.- Este operador obtiene el promedio del valor del borde mediante las mscaras mostradas en la Figura 3.14 b), la deteccin se realiza con un ngulo de 90 sobre la direccin que aparentemente tiene el borde. Operador de Sobel.- Este operador es una mejora del operador de Prewitt, la deteccin se realiza con un ngulo de 90 sobre la direccin que aparentemente tiene el borde y enfatiza el pixel central de la mscara (es decir, lo multiplica por 2), la Figura 3.14 c) muestra las mscaras empleadas en este algoritmo. Operador de Frei Chen.- Tambin conocido como operador isotrpico, tiene como objetivo lograr un equilibrio entre el operador de Prewitt (buena deteccin para bordes verticales y horizontales) y el operador de Sobel (buena deteccin de bordes diagonales), para lo cual se aplica la mscara mostrada en la Figura 3.14 d).
Figura 3. 14 Operadores basados en la primera derivada. Mscara del operador a) Roberts, b) Prewitt, c) Sobel y d) Frei Chen. Donde es en sentido horizontal y es en sentido vertical.
Algoritmo de Canny.- Este algoritmo est basado en la teora de los operadores de primera derivada y resulta idnea su implementacin debido a que extrae bordes y cierra contornos evitando posibles rupturas de los mismos durante su extraccin [8, 12, 15, 16, 19]. Este algoritmo cumple con tres criterios importantes para nuestros propsitos, y estos son: 1.- Precisin en la localizacin del contorno, garantizando la mayor proximidad de los bordes detectados a los bordes verdaderos. 2.- Fiabilidad en la deteccin de los puntos de contorno, minimizando la probabilidad de deteccin de falsos bordes causados por el ruido, as como tambin la perdida de bordes reales.
51
Captulo 3
3.- Unicidad en la obtencin de un borde nico para el contorno, garantizando bordes con una anchura mxima de un pixel. La esencia del trabajo de John F. Canny radica, en expresar los criterios antes mencionados en forma matemtica y obtener una solucin ptima de dichas formulaciones. A continuacin se muestran los pasos necesarios para la implementacin de este algoritmo: 1.- Suavizado de la imagen: Se emplea un filtro Gaussiano para evitar que el ruido en una imagen sea tomado como un borde. 2.- Calcular la magnitud y el ngulo del gradiente: Para realizar esta tarea se emplean las mscaras del operador de Sobel mostradas en la Figura 3.14 c). 3.- Supresin de no mximos: Como el gradiente produce bordes gruesos es necesario adelgazar dichos bordes, lo cual se logra usando los valores obtenidos en el paso 2 y analizando la magnitud y direccin del pixel central de la ventana y las magnitudes de los dos pixeles adyacentes en la direccin del vector, si la magnitud de este es mayor a la de sus pixeles vecinos este es un mximo y se queda con su valor, si no es mximo se elimina dndole un valor de cero. 4.- Doble umbralizacin y anlisis de conectividad para detectar y enlazar los bordes: En esta etapa se emplea la binarizacin por histresis y consiste en la aplicacin de dos posibles umbrales, de forma que, dado un segmento lineal, si un valor permanece por encima del umbral superior ser inmediatamente aceptado, mientras que si el valor permanece por debajo ser rechazado. Los puntos que permanezcan entre los dos lmites sern aceptados si pueden ser conectados con pixeles vecinos. De esta forma la posibilidad de particin del borde ser reducida drsticamente.
3.7.2.2 Operadores basados en la segunda derivada

Cuando se utiliza un valor de umbral para determinar si existe o no un borde, se puede llegar a detectar muchos puntos, lo cual produce bordes gruesos; una forma de adelgazar los bordes es encontrando nicamente los puntos que tienen un mximo local en los valores de gradiente y considerar estos como puntos del borde [11, 16-18].
52
Captulo 3
A continuacin se describen los operadores que corresponden a la segunda derivada. Operador Laplaciano.- Es el equivalente bidimensional de la segunda derivada y tiene la ventaja sobre los operadores de primera derivada en que este operador es isotrpico, es decir, es invariante en rotacin, esto es, si el operador Laplaciano se aplica a una imagen y la imagen se rota, se obtendr el mismo resultado si la imagen se rota primero y el operador Laplaciano se aplica despus. La frmula de la funcin Laplaciana ( ) es:
Como en el caso del gradiente, la ecuacin 3.20 se puede implementar de manera digital como se muestra en la Figura 3.15 a). Operador Laplaciano del Gaussiano (LoG).- Este operador combina el filtrado Gaussiano con el Laplaciano para la deteccin de bordes. Este operador consiste en tres pasos, los cuales son: filtrado, realce (segunda derivada) y deteccin (cruce por cero). En la Figura 3.15 b), se muestra una mscara clsica de la aplicacin del Laplaciano del Gaussiano (LoG).
Figura 3. 15 Operadores basados en la segunda derivada. A) Mscaras del operador Laplaciano y b) Mscaras del operador Laplaciano del Gaussiano.
La deteccin de bordes se llev a cabo en dos imgenes en escala de grises (escudo de la ESIME y en una retinografa). Los resultados obtenidos se muestran en las Figuras 3.16 y 3.17.
53
Captulo 3
Figura 3. 16 Deteccin de bordes. a) Imagen ESIME en escala de grises, b) Operador de Roberts, c) Operador de Prewitt, d) Operador de Sobel, e) Algoritmo de Canny, f) Operador Laplaciano y g) Operador LoG.
Figura 3. 17 Deteccin de bordes. a) Retinografa en escala de grises, b) Operador de Roberts, c) Operador de Prewitt, d) Operador de Sobel, e) Algoritmo de Canny, f) Operador Laplaciano y g) Operador LoG.
54
Captulo 3
En la Figura 3.16 se observa que no existe ruido de falsos bordes, pero si existe engrosamiento de los bordes en los dos ltimos operadores, mientras que en la Figura 3.17 se observa que el nico operador que no tuvo engrosamiento o ruido de falsos bordes, fue el algoritmo de Canny, lo cual hace que este algoritmo sea el ideal para esta aplicacin en particular.
3.7.3 Morfologa matemtica

La morfologa matemtica procesa imgenes con ayuda de formas especiales escogidas previamente, las cuales generalmente son matrices ms pequeas que la imagen y reciben el nombre de elemento estructural [17, 19], el cual acta, como un operador sobre una imagen para producir un resultado. La forma, tamao y orientacin del elemento estructural, son escogidos en base a un conocimiento previo tomando en cuenta las estructuras geomtricas relevantes que estn presentes en la imagen y el objetivo que se persiga con la operacin morfolgica implementada [13, 16, 17, 19]. Cada elemento de estructura requiere la definicin de un punto de origen (o de referencia) para su aplicacin como operador morfolgico. Esto permite que el elemento de estructura se pueda relacionar de una forma particular con los pixeles de la imagen [17]. En la Figura 3.18 se muestran algunos elementos estructurales.
Figura 3. 18 Elementos estructurales de 3 x 3, donde el punto de origen est representado en color morado.
3.7.3.1 Dilatacin
La dilatacin tambin llamada expansin, llenado o crecimiento, produce un efecto de engrosamiento en los bordes del objeto. Este algoritmo se utiliza para aumentar el contorno de los objetos y unir las lneas descontinuas de estos, producidas por algn filtrado, matemticamente la dilatacin * binaria se define como: | ( )
Es decir, dado un elemento estructural B (formado por unos y ceros), la dilatacin de A por B es el conjunto de todos los desplazamientos de c tales que B y A se solapen en al menos un elemento distinto de cero. La Figura 3.19 a), muestra un ejemplo de la dilatacin binaria.
55
Captulo 3

( ) y tomando como
Considerando las imgenes en escala de grises como superficies elemento estructural B, se define el operador de dilatacin como: ( ) * ( ) ( )|( )
( ) (
( ) (
La Figura 3.20 a), muestra un ejemplo de la dilatacin en escala de grises.
3.7.3.2 Erosin
La erosin es la funcin dual de la dilatacin, pero no es la inversa, es decir, si se hace una erosin y luego una dilatacin la imagen resultante no va a ser igual a la imagen original, matemticamente la erosin se define como: * | ( )
Dada una imagen A se erosiona por B cuando para todos los puntos x tales que B, trasladado por x, est contenido en A. Es decir, la erosin pone a cero todos los pixeles de la imagen que no contengan completamente al elemento estructural en su entorno. Si la dilatacin expanda los bordes y contornos de los objetos, la erosin reduce los contornos de los objetos, este operador se utiliza para separar objetos que estn unidos por una pequea parte de sus contornos. La Figura 3.19 b), muestra un ejemplo de la erosin binaria. Considerando las imgenes en escala de grises como superficies elemento estructural B, se define el operador de erosin como: ( ) * ( ) ( )|( ) ( ) ( ) ( ) ( ) ( ) y tomando como
La Figura 3.20 b), muestra un ejemplo de la erosin en escala de grises.
3.7.3.3 Apertura
La apertura tiene como funcin eliminar las protuberancias de la imagen, as como desconectar conjuntos y suprimir las componentes conexas ms pequeas que son cubiertas completamente por el elemento estructural, matemticamente la apertura binaria se define como:
56
Captulo 3
La expresin anterior no es ms que la erosin de una imagen A por un elemento estructural B seguido de una dilatacin con el mismo elemento estructural B. Las Figura 3.19 c) y 3.20 c), muestran un ejemplo de la apertura binaria y en escala de grises respectivamente.
3.7.3.4 Clausura
La clausura tiene como funcin conectar las componentes cercanas de la imagen y llenar los huecos, siempre que sean ms pequeos que el elemento estructural empleado, matemticamente la clausura se define como: ( ) ( )
La expresin anterior representa una dilatacin de la imagen A por un elemento estructural B seguida de una erosin con el mismo elemento estructural B. Las Figura 3.19 d) y 3.20 d), muestran un ejemplo de la apertura binaria y en escala de grises respectivamente.
Figura 3. 19 Operadores morfolgicos en una imagen binaria. a) Imagen binaria original, b) Dilatacin, c) Erosin, d) Apertura y e) Clausura.
57
Captulo 3
Figura 3. 20 Operadores morfolgicos en una imagen en escala de grises. a) Imagen en escala de grises original, b) Dilatacin, c) Erosin, d) Apertura y e) Clausura.
3.8
Anlisis de caractersticas
Una vez realizado el proceso de segmentacin, donde se obtienen los bordes de los objetos bien definidos, el siguiente paso consiste en obtener parmetros o descriptores que definan las caractersticas de cada objeto, por ejemplo: forma, textura, color, orientacin, etc. Los algoritmos usados en esta etapa dependen de la aplicacin requerida [13, 14, 19].
3.8.1 Clculo de magnitudes geomtricas

En procesamiento de imgenes, el clculo de magnitudes geomtricas se refiere a la evaluacin de caractersticas asociadas con objetos extrados de imgenes. Estas mediciones deben de ser usadas para clasificar objetos, ya sea con propsitos de reconocimiento de patrones o para elaborar una base de datos. Las mediciones de la distribucin espacial de los pixeles y de sus valores son los ms simples de implementar. Algunas cantidades que se pueden considerar como medidas geomtricas en una imagen son [11, 15]. rea.- Los algoritmos de rea miden el nmero de pixeles contenidos en su contorno. Se debe de definir el lmite del objeto, o la regin en donde se encuentra el objeto as como el intervalo de valores de pixel que se debern de contar como parte de ese objeto.
58
Captulo 3
donde
) es un pixel del objeto segmentado.
Permetro.- Es la longitud del contorno de una regin. Centroide.- Es un punto que define el centro geomtrico de un objeto. Y se calcula usando las siguientes expresiones: ( )
dnde,
son las coordenadas del centroide,
son las coordenadas del i-simo pixel.
Circularidad.- Es una medida de que tan circular es un objeto [20]. ( ) ( )
Densidad del objeto.- Es una medida de la distribucin de un objeto, y se define como [20]:
Eje mximo y eje mnimo.- Corresponden a los ejes que atraviesan el centroide del objeto (ver Figura 3.21).
Figura 3. 21 Eje mximo y eje mnimo.
59
Captulo 3
3.8.2 Anlisis de textura

Un mtodo importante para la descripcin de regiones consiste en cuantificar su contenido de textura. Este descriptor proporciona la medicin de propiedades tales como suavizado, rugosidad y regularidad. Los mtodos principales de anlisis de texturas son: espectrales, estadsticos y estructurales. Las tcnicas espectrales se basan en el dominio de la frecuencia. Las tcnicas estadsticas se basan en la relacin de la intensidad de los pixeles en funciones estadsticas, tales como la matriz de co-ocurrencia, la cual captura la matriz de distribucin espacial de los niveles de gris y obtiene las caractersticas de energa, contraste, homogeneidad y correlacin. Las tcnicas estructurales tratan la composicin de primitivas de imgenes (descripcin de texturas basadas en lneas paralelas) [11,17]. En este trabajo se midieron dos propiedades de textura de la imagen, la entropa y la homogeneidad [13, 14, 19-22]. Entropa- Es la medida estadstica de la aleatoriedad de la textura de la imagen en escala de grises. Se obtiene despus de aplicar la ecualizacin del histograma en la componente verde de la imagen. ( ) ( ) ( )
donde
) describe con que frecuencia 2 pixeles en una direccin .
aparecen en la ventana separados
por una distancia
Homogeneidad.- Es el clculo de la frecuencia de cada par de pixeles que ocurre para diferentes combinaciones de valores de brillo de los pixeles en una imagen, usando la matriz de coocurrencia de los niveles de gris. ( ) ( )
60
Captulo 3
3.9
Redes Neuronales
Para comprender el funcionamiento de una Red Neuronal Artificial (RNA) o Artificial Neural Network (ANN por sus siglas en ingls) es importante conocer que es, como funciona y como est formada una red neuronal biolgica, por lo que a continuacin se describen estos conceptos.
3.9.1 Redes Neuronales Biolgicas

El cerebro humano se compone de ms de 10 mil millones de neuronas interconectadas entre s, formando circuitos o redes que desarrollan funciones especficas [23, 24]. Una neurona tpica (ver Figura 3.22) recoge seales procedentes de otras neuronas a travs de una inmensa cantidad de delicadas estructuras llamadas dendritas.
Figura 3. 22 Representacin esquemtica de una neurona. (Fuente: Vander et al., Human Physiology: The Mechanism of Body Function, 8th ED., The McGraw Hill, 2001, p. 177 [25])
La neurona emite impulsos de actividad elctrica a lo largo de una fibra larga y delgada, denominada axn. Las extremidades de estas ramificaciones llegan hasta las dendritas de otras neuronas y establecen conexiones llamadas sinapsis, en las cuales se producen las transformaciones de impulsos elctricos en mensajes neuroqumicos, mediante la liberacin de sustancias llamadas neurotransmisores [23, 25]. El efecto de los neurotransmisores sobre la neurona receptora puede ser de excitacin o de inhibicin, y es variable, de manera que se puede hablar de la efectividad o la fuerza de una sinapsis.
61
Captulo 3
Las seales de excitacin e inhibicin recibidas por la neurona se combinan y en funcin de la estimulacin total recibida, la neurona toma cierto nivel de activacin, que se traduce en la generacin de breves impulsos nerviosos con una tasa de disparo y su propagacin a lo largo del axn hacia las neuronas con las cuales se establece comunicacin. De esta manera la informacin se transmite de unas neuronas a otras y va siendo procesada a travs de las conexiones sinpticas y las propias neuronas, el aprendizaje de la red neuronal depende de la variacin en la efectividad de la sinapsis [25].
3.9.2 Redes Neuronales Artificiales

Una Red Neuronal Artificial es un sistema masivo de procesamiento paralelo distribuido que est compuesto de unidades de procesos simples, y tiene una predisposicin natural para almacenar conocimiento experimental y transformarlo para un uso determinado [24, 26,27]. Se dice que la Red Neuronal Artificial asemeja al cerebro humano en dos aspectos [27]: 1.- La Red Neuronal Artificial adquiere el conocimiento de su entorno a travs de un proceso de aprendizaje. 2.- La fuerza o importancia de las interconexiones entre las neuronas, conocidas como pesos sinpticos se usan para almacenar el conocimiento adquirido.
3.9.2.1 Estructura bsica

La Figura 3.23 ilustra una neurona artificial tpica [23, 24, 17]. El flujo de la seal de entrada se considera que es unidireccional, como lo indican las flechas, al igual que la seal de salida , la cual est dada por la siguiente expresin:
Donde
es el peso del vector (conexin sinptica), y la funcin (
) se refiere a la funcin
de activacin (transferencia). La variable entrada del vector,
se define como el producto escalar del peso por la
62
Captulo 3
( donde es la matriz transpuesta. En un caso simple el valor de la salida se calcula como:
donde
es llamado nivel de umbral.
Figura 3. 23 Diagrama bsico de una red neuronal artificial. (Fuente: Imagen de la web: www.csie.thu.edu.tw/old/files/0426%20-new.ppt [27])
3.9.2.2 Aprendizaje de las redes neuronales artificiales

Las Redes Neuronales Artificiales son sistemas que aprenden a base de ejemplos, su capacidad de resolver problemas depende del tipo de ejemplos que se dispongan en este proceso [20, 23, 24, 26]. Los ejemplos proporcionados deben de tener las siguientes caractersticas: Significativos.- Entre mayor sea el nmero de ejemplos mejor se adaptarn los pesos para poder resolver el problema. Representativo.- Deben de ser diversos. La Red Neuronal Artificial se especializar en el subconjunto que tenga el mayor nmero de ejemplos.
63
Captulo 3

de
El proceso de aprendizaje consiste en introducir todos los ejemplos y modificar los pesos
las conexiones. Una vez modificados los pesos se comprueba que se cumpla el criterio de convergencia, el cual est determinado por el tipo de red utilizada o por el problema a resolver, si no es as se repite el proceso. La culminacin del proceso de aprendizaje se puede determinar cmo: el nmero de veces que sern introducidos los ejemplos o a travs del error menor a un umbral o cuando la modificacin de los pesos sea irrelevante. Existen tres tipos de esquemas de aprendizaje [23, 26]. Aprendizaje supervisado.- Se insertan los ejemplos y un conjunto de datos con informacin relativa a la solucin del problema. Cada vez que se inserta un ejemplo se compara la salida obtenida en la red con la respuesta esperada, incluida en la informacin proporcionada en el conjunto de aprendizaje. De acuerdo a la diferencia de estas dos salidas se modificarn los pesos, una diferencia grande entre la salida esperada y la obtenida indica un cambio grande en los pesos y por el contrario un cambio pequeo modifica levemente los pesos. Aprendizaje no supervisado.- En este caso no se proporciona informacin adicional de la salida, solo se proporcionan los ejemplos. En este caso la red trata de determinar caractersticas de los ejemplos como rasgos significativos, regularidades o redundancias, para modificar los pesos a partir de esta informacin interna. Aprendizaje por refuerzo.- Es una variante del aprendizaje supervisado en la cual no existe informacin concreta del error, solamente se determina si la salida es correcta o no. Para poder validar si la red produce soluciones adecuadas y saber cul es el error de estas validaciones se debe de usar un conjunto de ejemplos diferentes al usado en el proceso de aprendizaje.
3.9.2.3 Red Neuronal de Retropropagacin

Bsicamente el funcionamiento de una Red Neuronal de Retropropagacin consiste en el aprendizaje de un conjunto predefinido de pares de entradas-salidas dados como ejemplo, empleando un ciclo propagacin-adaptacin de dos fases [28, 29].
64
Captulo 3
Primera fase: Se aplica un patrn de entrada como estmulo para la primera capa de las neuronas de la red, se propaga el patrn de entrada a travs de todas las capas superiores hasta generar una salida, se compara el resultado obtenido en las neuronas de salida con la salida que se desea obtener y se calcula un valor del error para cada neurona de salida. Segunda fase: Estos errores se transmiten hacia atrs, partiendo de la capa de salida, hacia todas las neuronas de la capa intermedia que contribuyan directamente a la salida, recibiendo el porcentaje de error aproximado a la participacin de la neurona intermedia en la salida original. La importancia de la Red de Retropropagacin consiste en su capacidad de adaptar automticamente los pesos de las neuronas de las capas intermedias para aprender la relacin que existe entre un conjunto de patrones dados como ejemplo y sus salidas correspondientes. Una caracterstica importante, que se exige a los sistemas de aprendizaje, es la capacidad de
generalizacin, la cual consiste en proporcionar salidas satisfactorias a entradas que el sistema

no ha visto nunca en su fase de entrenamiento, lo anterior se logra haciendo uso de la regla delta generalizada, la cual emplea una funcin o superficie de error (Figura 3.24) asociada a la red, buscando el estado estable de mnima energa o de mnimo error a travs del camino descendente de la superficie de error. Por ello, realimenta el error del sistema para realizar la modificacin de los pesos en un valor proporcional al gradiente decreciente de dicha funcin de error.
Figura 3. 24 Superficie de error. (Imagen de la web: http://proton.ucting.udg.mx/posgrado/cursos/idc/neuronales2/ReglaB.htm)
3.9.2.3.1 Estructura y Aprendizaje En una Red Neuronal de Retropropagacin existe una capa de entrada con capa de salida con 3.25). neuronas y una
neuronas y al menos una capa oculta de neuronas internas (ver Figura
65
Captulo 3
Cada neurona recibe entradas de todas las neuronas de la capa anterior y enva su salida a todas las neuronas de la capa posterior. No hay conexiones hacia atrs, ni laterales entre las neuronas de la misma capa.
Figura 3. 25 Arquitectura de una Red Neuronal de Retropropagacin.
A continuacin se presentan, a modo de sntesis, los pasos y formulas a utilizar para aplicar el algoritmo de entrenamiento [28, 29]: 1.- Iniciar los pesos de la red con valores pequeos aleatorios. 2.- Presentar un patrn de entrada generar la red . . Para una neurona oculta: , y especificar la salida deseada que debe
3.- Calcular la salida actual de la red
donde el ndice h se refiere a magnitudes de la capa oculta, el subndice , al p-simo vector de entrenamiento, y a la j-sima neurona oculta. El trmino puede ser opcional, pues acta como una entrada ms. Las salidas de las neuronas ocultas se calculan como: ( ) ( )
66
Captulo 3
Se realizan los mismos clculos para obtener las salidas de las neuronas de salida:
4.- Calcular los trminos de error para todas las neuronas. Si la neurona capa de salida, el valor de la delta es: ( La funcin ) ( )
es una neurona de la
debe cumplir el requisito de ser derivable, para lo cual disponemos de dos formas y respectivamente. ( ) ( )
de funcin de salida que nos pueden servir: la funcin lineal de salida y la funcin sigmoidal definidas por las expresiones
La seleccin de la funcin de salida depende de la forma en que se decida representar los datos de salida: si se desea que las neuronas de salida sean binarias, se utiliza la funcin sigmoidal, puesto que esta funcin es casi biestable y adems es derivable. Para la funcin lineal, tenemos que , mientras que la derivada de una funcin ( ) sigmoidal es: ( ) ( )
por lo que los trminos de error para las neuronas de salida quedan: ( para la salida lineal, y ( para la salida sigmoidal. ) ( ) ( ) ) ( )
67
Captulo 3
Si la neurona

no es de salida, entonces la derivada parcial del error no puede ser evaluada
directamente. Por tanto, se obtiene el desarrollo a partir de valores que son conocidos y otros que pueden ser evaluados. La expresin obtenida en este caso es: ( ) ( )
dnde se observa que el valor de las capas ocultas depende de todos los trminos de error de la capa de salida. De aqu surge el trmino de retropropagacin. En particular, para la funcin sigmoidal: ( ) ( )
dnde
se refiere a todas las neuronas de la capa superior a la de la neurona . As el error que
se produce en una neurona oculta es proporcional a la suma de los errores conocidos que se producen en las neuronas a las que est conectada la salida de esta, multiplicando cada uno de ellos por el peso de la conexin. Los umbrales internos de las neuronas se adaptan de forma similar, considerando que estn conectados con pesos desde entradas auxiliares de valor constante. 5.- Actualizacin de los pesos, para ello utilizamos el algoritmo recursivo, comenzando por las neuronas de salida y trabajando hacia atrs hasta llegar a la capa de entrada, ajustando los pesos de la forma siguiente: Para los pesos de las neuronas de la capa de salida: ( ) ( ( ) ) ( ) ( ( ) )
y para los pesos de las neuronas de la capa oculta: ( ) ( ( ) ) ( ) ( ( ) )
68
Captulo 3
6.- El proceso se repite hasta que el trmino de error ( )
resulte lo suficientemente pequeo para cada uno de los patrones aprendidos. 3.9.2.3.2 Dimensin de la red y nmero de neuronas ocultas. No se pueden dar reglas concretas para determinar el nmero de neuronas o el nmero de capas de una red para resolver un problema concreto. Lo mismo ocurre al seleccionar el conjunto de vectores de entrenamiento, en todos estos casos, lo nico que se puede dar son algunas ideas generales deducidas de la experiencia de numerosos autores [28, 29]. Respecto al nmero de capas de la red, en general tres capas son suficientes (entrada oculta -salida). Sin embargo, hay veces en que un problema es ms fcil de resolver con ms de una capa oculta. El tamao de las capas, tanto de entrada como de salida, suele estar determinado por la naturaleza de la aplicacin. En cambio, decidir cuantas neuronas debe tener la capa oculta no suele ser tan evidente. Brockett et al [30], describen que la eleccin del nmero de neuronas de la capa oculta depende de distintos factores, como la naturaleza del problema, el tamao y la calidad de los datos, mientras que Tam y Kiang [31] describen que dos o menos neuronas en la capa oculta pueden simplificar demasiado la red y no tener suficiente capacidad para aprender, por el contrario, demasiadas neuronas en la capa oculta puede dar lugar a un sobre-aprendizaje, es decir, buen ajuste en los datos de aprendizaje pero escaso poder predictivo para nuevos datos. El nmero de neuronas ocultas intervienen en la eficacia del entrenamiento y generalizacin de la red. No hay ninguna regla que indique el ptimo, en cada problema se debe ensayar con distintos nmeros de neuronas para organizar la representacin interna y seleccionar el nmero que proporcione mejores resultados, es posible eliminar neuronas ocultas si la red converge sin problemas, determinando el nmero final de neuronas en funcin del rendimiento global del sistema.
69
Captulo 3
3.10 Conclusiones
En este captulo se revisaron, describieron e implementaron en MATLAB los algoritmos de Procesamiento Digital de Imgenes usados en las etapas que conforman un Sistema de Diagnstico Asistido por Computadora (pre-procesamiento, segmentacin y anlisis de caractersticas). Tambin se presentaron los fundamentos tericos de las Redes Neuronales de Retropropagacin que servirn de base para el desarrollo del algoritmo de clasificacin de la No Retinopata Diabtica y de la Retinopata Diabtica No Proliferativa (el cual se muestra en el captulo 4). Adems en base a la literatura consultada y a las necesidades de los oftalmlogos y optometristas se determin que la resolucin espacial de la imagen redimensionada debe de cumplir con los estndares NTSC (National Television System Committee: Comit Nacional de Sistemas de Televisin) y PAL (Phase Alternating Line: Lnea de Alternancia de Fase) por ser los estndares de los monitores convencionales empleados por estos especialistas al momento de visualizar estas imgenes, por lo tanto la resolucin espacial ser de 720 x 480 pixeles y de 720 x 576 pixeles, respectivamente, cabe mencionar que al realizar la normalizacin (redimensionamiento) de la imagen se pierden algunos detalles, los cuales no son visibles al ojo humano, esta etapa se realiz con el objetivo de disminuir la complejidad de los clculos en las etapas siguientes al pre-procesamiento. Por otro lado, se comprob a travs de las Figuras 3.16 y 3.17 que el algoritmo idneo para la deteccin de bordes en esta aplicacin es el algoritmo de Canny, debido a que este algoritmo no presenta bordes dobles, engrosamiento de los bordes detectados y/o ruidos de falsos bordes, lo cual concuerda con lo descrito en literatura cientfica.
3.11 Referencias
[1] The University of Chicago Medical Center. [Consulted on June 2011], Available at: http://www.radiology.uchicago.edu/index.php?q=quantitative-image-analysis-and-computeraided-diagnosis/quantitative-image-analysiscomputer-aided-d [2] M. Niemeijer, M. Loog, M.D. Abramoff, M.A. Viergever, M. Prokop and B. Van Ginneken, On
Combining Computer Aided Detection Systems, IEEE Trans. Med. Imag., Vol. 30, No. 2, pp.
215-223, 2011. [Consulted on June 2011], Available at: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=5560857
70
Captulo 3
[3]
O.M. Soysal, J. Chen and H. Schneider, An Image Processing Tool for Efficient Feature
Extraction in Computer-Aided Detection Systems, IEEE International Conference on Granular

Computing, 2010. [Consulted on June 2011], Available at: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=5575956 [4] M.L. Giger, N. Karssemeijer and S.G. Armato, Computer-Aided Diagnosis in Medical Imaging, IEEE Trans. Med. Imag., Vol. 20, No. 12, pp. 1205-1208, 2001. [Consulted on June 2011], Available at: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=974915 [5] R. Nakayama, Y. Uchiyama, K. Yamamoto, R. Watanabe and K. Namba, Computer-Aided
Diagnosis Scheme Using a Filter Bank for Detection of Microcalcification Clusters in Mammograms, IEEE Trans. Biomed. Eng., Vol. 53, No. 2, pp. 273-283, 2006. [Consulted
on June 2011], Available at: http://www.wiphala.net/research/proposal/papers/computeraided_diagnosis_scheme_using_a_filter_bank_for_detection_of_microcalcification_clusters_in _mammograms.pdf [6] B. Verma and J. Zakos, A Computer-Aided Diagnosis System for Digital Mammograms Based
on Fuzzy-Neural and Feature Extraction Techniques, IEEE Trans. Inf. Tech. Biomed., Vol. 5,
No. 1, pp. 46-54, 2001. [Consulted on June 2011], Available at: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=908389 [7] C. Heang Ping, S. Berkman and H. Lubomir, Computer Aided Diagnosis: Concepts and
Applications, University of Michigan Medical School. [Consulted on June 2011], Available at:
http://www.aapm.org/meetings/04AM/pdf/14-2366-10736.pdf [8] R.C. Gonzalez, R.E. Woods and S.T. Eddins, Digital Image Processing using MATLAB, 2nd Ed., Knoxville, USA: Gatesmark Publishing, 2009, ISBN-10: 9780982085400, ISBN-13: 9780982085400, pp. 13-15, 80-82, 99-102, 285, 286, 318, 319, 541-549, 557-565. [9] H.C. Andrews, A.G. Tescher and R.P. Kruger, Image processing by digital computer: Image
restoration and enhancement can be implemented by means of large-scale digital computers, with striking results, IEEE Spectrum July 1972, pp. 20-32. [Consulted on June 2011],
Available at: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=5218964 [10] N. Ramirez Hernandez and J.L. Ramos Quirarte, Bits Plane Technique for Digital Image
Processing, 5th International Conference on Electrical Engineering, Computing Science and

Automatic Control 2008, pp. 186-191. [Consulted on June 2011], Available at: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=4723422 [11] R.C. Gonzalez and R E. Woods, Digital Image Processing, 2nd Ed., New Jersey, USA: Prentice Hall, Inc., ISBN-10: 0201180758, pp. 1,2, 54-62, 64-66, 75, 78, 79, 91-92, 112, 319, 362 519, 523-532, 572-585, 661, 665-669.
71
Captulo 3
[12]
U.R. Acharya, K.C. Chua, E.Y.K. Ng, W. Wei and C. Chee, Application of higher order spectra
for the identification of diabetic retinopathy stages, J. Med. Syst. Vol. 32, Suppl.(6), pp. 481
488, 2008. [Consulted on June 2011], Available at: http://www.springerlink.com/content/m7637r85130m5443/fulltext.pdf [13] [14] P. Qiu, Image Processing and Jump Regression Analysis, 1st Ed., New Jersey, USA: John Wiley & Sons, Inc., 2005, ISBN-10: 047142099-9, pp. 2-4, 139, 140, 189-205. J. Nayak, P.S. Bhat, R. Acharya, C.M. Lim and M. Kagathi, Automated Identification of
107-115. [Consulted on June 2011], Available at: http://www.springerlink.com/content/7638t987585q4w32/fulltext.pdf [15] W.K. Pratt, Digital Image Processing, 4th Ed., New Jersey, USA: John Wiley & Sons, Inc., 2007, ISBN-13: 9780471767770, pp. 140, 247, 259-265, 389-393, 481-484, 494500, 625-629. [16] F.Y. Shih, Image processing and pattern recognition: Fundamentals and Techniques , 1st Ed., New Jersey, USA: John Wiley & Sons, Inc., 2010, ISBN-13: 9780470404614, pp. 12, 41, 42, 44-49, 63-69, 189, 199, 201-205. [17] M. Sonka, V. Hlavac and R. Boyle, Image Processing, Analysis, and Machine Vision , International Student Edition, ISBN-10: 0495244384, ISBN-13: 9780495244287, pp. 115, 116, 120, 123, 135-142, 176-183, 657-667, 719-725. [18] A. Osareh, M. Mirmehdi, B. Thomas and R. Markham, Automated identification of diabetic
retinal exudates in digital colour images, Br. J. Ophthalmol., Vol. 87, pp. 1220-1223, 2003.
[Consulted on June 2011], Available at: http://www.cs.bris.ac.uk/Publications/Papers/2000035.pdf [19] F.Y. Cui, L.J. Zou and B. Song, Edge Feature Extraction Based on Digital Image Processing
Techniques, IEEE Int. Conference on Automation an Logistics, Qingdao, China September

2008, pp. 2320-2324. [Consulted on June 2011], Available at: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=4636554 [20] J.A. Moreno-Escobar, F.J. Gallegos-Funes, V. Ponomaryov and A. Michtchenko, La funcin
de base radial de rango tipo M para la clasificacin de imgenes de mamografa , Revista

Cientfica, Vol. 12, Nm. 2 pp.55-65, 2008, ESIME-IPN, ISBN 1665-0654. [21] N.A. Rahman, A.S. Mohamed and M.E. Rasmy, Retinal Identification, IEEE Cairo International Biomedical Engineering Conference (CIBEC), 2008. [Consulted on June 2011], Available at: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=4786039
72
Captulo 3
[22]
U.R. Acharya, E.Y.K. Ng, J.H. Tan, S.V. Sree and K.H. Ng, An Integrated Index for the
Identification of Diabetic Retinopathy Stages Using Texture Parameters , J. Med. Syst., 2011.
[Consulted on June 2011], Available at: http://www.springerlink.com/content/l58l118w4k611263/fulltext.pdf [23] A. Abraham, Artificial Neural Networks, Handbook of Measuring System Design Vol. 3, John Wiley and Sons, Ltd., 2005, ISBN: 0470021438, pp. 901-903. [Consulted on June 2011], Available at: http://www.softcomputing.net/ann_chapter.pdf [24] Tomas Nordstrm, (1995). Highly Parallel Computers for Artificial Neural Networks ., (PhD Thesis Division of Computer Science & Engineering Lulea University of Technology, Sweden). Paper B: T. Nordstrm and B. Svensson, Using and Designing Massively Parallel
Computers for Artificial Neural Networks, Journal Of Parallel And Distributed Computing, Vol.
14, No. 3, 1992, pp. 260-285. [Consulted on June 2011], Available at: http://www.nordstrom.nu/tomas/publications/ToNoThesisApproximation.pdf [25] [26] Vander et al., Human Physiology: The Mechanism of Body Function , 8th ED., The McGraw Hill, 2001, ISBN-10: 0072908017, ISBN-13: 9780072908015, pp. 176, 177. A.K. Jain, J. Mao and K.M. Mohiuddin, Artificial Neural Networks: A tutorial, Computer, Vol. 29, No. 3, 1996, pp. 31-44. [Consulted on June 2011], Available at: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=485891 [27] Jzau-Shenlg Lin, Machine Learning in Engineering Problems, Dept. of Computer Science and Information Engineering, Natl Chin-Yi Institute of Technology. [Consulted on June 2011], Available at: www.csie.thu.edu.tw/old/files/0426%20-new.pp [28] J.R. Hilera y Vctor J. Martnez, Redes Neuronales Artificiales. Fundamentos, modelos y aplicaciones, 1ra Ed., Madrid, Espaa: Alfaomega, 2000, ISBN-10: 9701505719, pp. 131 145. [29] [30] J.A. Freeman and D.M. Skapura, Neural Networks. Algorithms, Applications and Programming Techniques, California, USA: Addison Wesley, 1991, ISBN-10: 0201513765, pp. 89 102 P.L. Brockett, W.W. Cooper, L.L. Golden and X. Xia, A case study in applying networks to predicting insolvency for property and casualty insurers, Journal of the Operational Research Society, Vol. 48, 1992, pp. 1153-1162. [Consulted on June 2011], Available at: http://www.palgrave-journals.com/jors/journal/v48/n12/pdf/2600461a.pdf [31] K.Y. Tam, M.Y. Kiang, Managerial applications of neural networks: The case of bank failure predictions, Management Science, Vol. 38, no. 7, 1992, pp. 926-947. [Consulted on June 2011], Available at: http://www.jstor.org/pss/2632376
73
Captulo
Algoritmo Propuesto
Si ayudo a una sola persona a tener esperanza, no habr vivido en vano. Martin Luther King (1929 - 1968.)
4.1
Introduccin
En este captulo se presentan los algoritmos desarrollados para detectar, segmentar y calcular de manera automtica el rea de los Vasos Sanguneos, los Microaneursmas y los Exudados Duros presentes en una imagen del fondo de ojo, tambin se describen los algoritmos usados para calcular los valores de Homogeneidad y Entropa de esta imagen. Adems se muestran los resultados experimentales obtenidos al implementar estos algoritmos en las 216 retinografas a color RGB que conforman nuestra base de datos, as como la arquitectura de la Red Neuronal de Retropropagacin propuesta para la clasificacin de la No Retinopata Diabtica y de los estadios de la Retinopata Diabtica No Proliferativa.
4.2
Segmentacin de los Vasos Sanguneos
La segmentacin automtica de los Vasos Sanguneos en una retinografa, es un paso muy importante en el registro de las imgenes para la deteccin, diagnstico oportuno y evaluacin del tratamiento de diversas enfermedades oculares, entre ellas la Retinopata Diabtica [1-4], adems de ser imprescindible en la localizacin del disco ptico y la fvea [5]. En la Figura 4.1 se muestra el diagrama a bloques del algoritmo desarrollado para la segmentacin de los Vasos Sanguneos en una retinografa a color RGB.
74
Captulo 4
Algoritmo Propuesto
Figura 4. 1 Diagrama de bloques del algoritmo propuesto para la segmentacin de los Vasos Sanguneos.
El primer bloque de este algoritmo consiste en seleccionar la retinografa a color RGB que se quiere analizar, seguido de esto se redimensiona la imagen para llevarla a un tamao estndar y posteriormente se realizan los pasos que se muestran en la Figura 4.2.
Figura 4. 2 Diagrama de bloques para la segmentacin de los Vasos Sanguneos con presencia de ruido.
La mayora de estos procesos se explicaron y realizaron en el captulo anterior, por lo que nicamente se describirn aquellos procesos que no han sido descritos con anterioridad. La eliminacin del disco ptico se obtiene al restar la imagen ecualizada mediante el histograma y la imagen resultante de la apertura morfolgica, seguido de esto se binariza la imagen resultante y se realiza una nueva apertura morfolgica para eliminar el ruido en la imagen.
75
Captulo 4
Algoritmo Propuesto
En la Figura 4.3 se muestran los resultados obtenidos para cada uno de los procesos que conforman la segmentacin de los Vasos Sanguneos en presencia de ruido.
Figura 4. 3 Pasos para la segmentacin de los Vasos Sanguneos con presencia de ruido. a) Imagen normalizada, b) Componente verde de la retinografa, c) Retinografa en escala de grises, d) Negativo de la retinografa, e) Ecualizacin del histograma, f) Apertura Morfolgica, g) Eliminacin del disco ptico, h) Binarizacin e i) Segmentacin de los Vasos Sanguneos con presencia de ruido.
Para delimitar el rea en la cual se encuentran nuestras caractersticas de inters (Vasos Sanguneos, Microaneursmas y Exudados Duros) fue necesario crear el borde circular de la retinografa, en ocasiones la creacin de este borde se ve afectada por el ruido introducido de los falsos bordes, originados por la intensidad del contraste de la imagen, por lo tanto fue necesario desarrollar dos mtodos para la creacin del borde circular (ver Figura 4.4) y as evitar el ruido de falsos bordes. Ambos mtodos fueron implementados en los algoritmos de segmentacin de los Vasos Sanguneos, Microaneursmas y Exudados Duros descritos en esta tesis.
76
Captulo 4
Algoritmo Propuesto
Figura 4. 4 Diagrama a bloques de los mtodos desarrollados para la creacin del borde circular de la retinografa.
En la Figura 4.5 se muestran los resultados obtenidos para los procesos de conversin del espacio de color, mejora del contraste, deteccin de bordes y morfologa matemtica que conforman la creacin del borde circular de la retinografa a travs del mtodo 1. Cabe mencionar que en la etapa de morfologa matemtica se realiz una apertura morfolgica a la imagen resultante de la deteccin de bordes (Figura 4.5 c), seguido de esto se erosion la imagen y por ltimo se rest la imagen dilatada menos la imagen erosionada, obteniendo como resultado el borde circular de la retinografa sin presencia de ruido de falsos bordes (Figura 4.5 d).
Figura 4. 5 Creacin del borde circular de la retinografa usando el mtodo 1. a) Imagen en escala de grises, b) Ajuste de los valores de intensidad, c) Deteccin de bordes y d) Borde circular de la retinografa.
77
Captulo 4
Algoritmo Propuesto
Por otro lado, si al realizar los pasos que conforman el mtodo 1 para la creacin del borde circular se presenta ruido de falsos bordes, es necesario realizar el mtodo 2, para lo cual se tienen que borrar los valores obtenidos en el mtodo 1, posteriormente se realizan los pasos mostrados anteriormente en la Figura 4.4, los cuales corresponden al mtodo 2. La Figura 4.6 muestra los resultados obtenidos para cada uno de los procesos que conforman la creacin del borde circular de la retinografa (mtodo 2).
Figura 4. 6 Creacin del borde circular de la retinografa usando el mtodo nmero 2. a) Negativo de la imagen, b) Binarizacin y c) Borde circular de la retinografa.
En la Figura 4.7 se muestran los pasos realizados en la etapa de segmentacin de los Vasos Sanguneos y del disco ptico.
Figura 4. 7 Diagrama de bloques para la segmentacin de los Vasos Sanguneos y el disco ptico.
Una vez que se obtiene el borde circular de la retinografa se procede a localizar el disco ptico el cual se presenta como un crculo de color negro, lo anterior se logra encontrando el valor mximo de brillo para cada una de las 720 columnas de la imagen (ver Figura 4.8).
Figura 4. 8 Imagen resultante de la apertura morfolgica de la etapa de segmentacin de los Vasos Sanguneos con presencia de ruido.
78
Captulo 4
Algoritmo Propuesto
En ocasiones, despus de la etapa de segmentacin algunos detalles correspondientes a los Vasos Sanguneos se pierden en la regin del disco ptico, por tal motivo, es necesario crear la mscara del disco ptico, la cual se origina mediante la siguiente expresin [11]: ( donde y ) ( ) ( )
son las coordenadas de las filas y columnas respectivamente, y
es el radio del
crculo o mscara del disco ptico (ver Figura 4.9 a), posteriormente se mejora el contraste de la imagen en escala de grises (ver Figura 4.9 b) y despus se binariza esta imagen a travs del algoritmo de Otsu mostrado en el captulo 3 (ver Figura 4.9 c), a esta imagen binarizada se le realiza una apertura morfolgica (ver Figura 4.9 d) y despus se sobrepone la mscara del disco ptico sobre la imagen binarizada (ver Figura 4.9 e). Por ltimo se implementa la operacin lgica AND usando las imgenes correspondientes a los Vasos Sanguneos con presencia de ruido y a los Vasos Sanguneos conectados a la mscara del disco ptico. La operacin lgica AND consiste en marcar los pixeles similares de las dos imgenes, el pixel de salida se registra como 1 (blanco) cuando los pixeles de ambas imgenes en la misma ubicacin son 1, en caso de existir un elemento nulo (negro) el pixel de salida se registrar como 0 (negro). El resultado final de la segmentacin de los Vasos Sanguneos se muestra en la Figura 4.9 f).
Figura 4. 9 Pasos para la segmentacin de los Vasos Sanguneos. a) Mascara del disco ptico, b) Ajuste de intensidad, c) Binarizacin, d) Apertura Morfolgica, e) Vasos Sanguneos conectados al disco ptico y f) Segmentacin final de los Vasos Sanguneos.
79
Captulo 4
Algoritmo Propuesto
4.2.1 Resultados de la Segmentacin de los Vasos Sanguneos

En la Figura 4.10 se muestra el resultado final de la segmentacin de los Vasos Sanguneos en 4 imgenes del fondo de ojo, las cuales corresponden a la No Retinopata Diabtica (No RD) y a los estadios de la Retinopata Diabtica No Proliferativa (RDNP).
Figura 4. 10 Segmentacin de los Vasos Sanguneos.
En la Figura 4.10 se sobrepuso la imagen segmentada en la imagen a color RGB original para mejorar el aspecto visual de la segmentacin de los Vasos Sanguneos. En la Tabla 4.1 se muestran las reas obtenidas de la segmentacin de los Vasos Sanguneos en las 216 retinografas (54 de la No Retinopata Diabtica y 54 por cada estadio de la Retinopata Diabtica No Proliferativa).
80
Captulo 4
Algoritmo Propuesto
Tabla 4. 1 rea total de los Vasos Sanguneos segmentados.
No. de Muestras 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 54
Nivel 0 No RD (pixeles) 11074 12937 14973 13014 15387 14277 11074 14397 11740 7034 8685 11238 15636 13346 12948 13164 21313 21298 12313 12872 17757 15488 18197 15488
Nivel 1 RDNP Leve (pixeles) 11319 11284 11585 14007 12521 14983 10151 18589 17708 12575 7846 11381 16280 16106 12373 14461 11171 14404 11635 11853 15283 12125 13104 12366
Nivel 2 (pixeles) 11236 14785 11195 13003 15741 11704 17446 13612 15724 8373 14852 12980 14467 14824 14472 17635 15232 13575 17813 13436 16644 17013 14653 16460
Nivel 3 (pixeles) 17429 20142 15849 16386 10000 15629 13738 13715 10332 13531 11913 13619 14780 15118 11997 14579 17510 13934 12372 16613 11114 13447 14222 10603
RDNP Moderada RDNP Severa
La Tabla 4.1 indica el rea en pixeles de los objetos segmentados mediante este algoritmo. Conforme progrese esta enfermedad el rea de estos objetos segmentados aumentar.
81
Captulo 4
Algoritmo Propuesto
4.3
Segmentacin de patologas
En el captulo 2 se mencion que dos de las principales patologas clnicamente detectables por el especialista mdico en la exploracin del fondo de ojo en pacientes con Diabetes Mellitus son los Microaneursmas y los Exudados Duros, a continuacin se describen los algoritmos propuestos para la segmentacin de estas patologas.
4.3.1 Segmentacin de Microaneursmas

Los Microaneursmas (ver Figura 4.11) son las primeras lesiones clnicamente detectables de la Retinopata Diabtica [6-8] y son dilataciones focales de las paredes de los capilares de la retina, los cuales aparecen como pequeos puntos redondos de color rojo [7] con un dimetro entre 10 y 100 micras.
Figura 4. 11 Microaneursmas.
En el diagrama a bloques de la Figura 4.12 se muestra el algoritmo desarrollado para la segmentacin de los Microaneursmas.
Figura 4. 12 Diagrama a bloques del algoritmo propuesto para la segmentacin de los Microaneursmas.
82
Captulo 4
Algoritmo Propuesto
El primer bloque consiste en seleccionar la retinografa a color RGB que se quiere analizar, seguido de esto se redimensiona la imagen, se crea el borde circular de la retinografa, posteriormente se localiza y crea la mscara del disco ptico, tal y como se realiz en el algoritmo de segmentacin de los Vasos Sanguneos descrito anteriormente. En la Figura 4.13 se muestra el diagrama a bloques del algoritmo desarrollado para la segmentacin de los Microaneursmas en una retinografa a color RGB.
Figura 4. 13 Diagrama a bloques de la segmentacin de los Microaneursmas con presencia de ruido.
Para eliminar el borde circular de la retinografa se resta la imagen obtenida en la deteccin de bordes (algoritmo de Canny) menos la imagen con el borde circular de la retinografa. Se realiza una dilatacin morfolgica sobre la imagen obtenida anteriormente y se resta esta imagen menos la imagen obtenida en la deteccin de bordes, posteriormente se realiza una apertura morfolgica en esta imagen y se resta a la imagen dilatada. El resultado de esta operacin es la segmentacin de los Microaneursmas (ver Figura 4.14).
Figura 4. 14 Segmentacin de los Microaneursmas con presencia de ruido.
83
Captulo 4
Algoritmo Propuesto
En la Figura 4.15 se muestran los resultados obtenidos en cada uno de los procesos de la segmentacin de Microaneursmas con presencia de ruido.
Figura 4. 15 Pasos para la segmentacin de los Microaneursmas con presencia de ruido. a) Componente Verde, b) Imagen en escala de grises, c) 1ra Ecualizacin del histograma, d) 2da Ecualizacin del histograma, e) Deteccin de bordes, f) Eliminacin del borde circular de la retinografa, g) Llenado de huecos, h) Eliminacin de componentes conectados e i) Segmentacin de los Microaneursmas con presencia de ruido.
En la Figura 4.16 se muestra el diagrama a bloques de los pasos a seguir para la eliminacin de los Exudados Duros y los Vasos Sanguneos presentes en la retinografa.
Figura 4. 16 Pasos para la eliminacin de los Exudados Duros y los Vasos Sanguneos.
84
Captulo 4
Algoritmo Propuesto
Para eliminar los Exudados Duros presentes en la imagen es necesario implementar la operacin lgica AND, usando la imagen de los Microaneursmas segmentados con presencia de ruido y la imagen en escala de grises con mejora de contraste, esta ltima se tiene que binarizar antes de usarse en la operacin lgica AND. Por otro lado, para eliminar los Vasos Sanguneos presentes en la retinografa es necesario implementar la operacin lgica AND, usando la imagen binarizada y la imagen resultante de la eliminacin de los Exudados Duros, posteriormente se realiza una apertura morfolgica y se resta esta imagen a la imagen del borde circular de la retinografa y a la imagen en escala de grises de la componente verde, obteniendo con esto la segmentacin final de los Microaneursmas. La Figura 4.17 muestra los resultados obtenidos para cada uno de los procesos de la segmentacin final de los Microaneursmas.
Figura 4. 17 Pasos para la segmentacin de los Microaneursmas. a) Imagen binarizada, b) Eliminacin de los Exudados Duros, c) Binarizacin e inversin de los valores de la imagen, d) Eliminacin de los Vasos Sanguneos, e) Apertura morfolgica y f) Segmentacin final de los Microaneursmas
85
Captulo 4 4.3.1.1 Resultados de la Segmentacin de los Microaneursmas
Algoritmo Propuesto
En la Figura 4.18 se muestra el resultado final de la segmentacin de los Microaneursmas en 4 imgenes del fondo de ojo.
Figura 4. 18 Segmentacin de los Microaneursmas.
En la Figura 4.18 se sobrepuso la imagen segmentada en la imagen a color RGB original para mejorar el aspecto visual de la segmentacin de los Microaneursmas. En la Tabla 4.2 se muestran las reas obtenidas de la segmentacin de los Microaneursmas en las 216 retinografas (54 de la No Retinopata Diabtica y 54 por cada estadio de la Retinopata Diabtica No Proliferativa).
86
Captulo 4
Algoritmo Propuesto
Tabla 4. 2 rea total de los Microaneursmas segmentados.
No. de Muestras 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 54
Nivel 0 No RD (pixeles) 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0
Nivel 1 RDNP Leve (pixeles) 5 11 5 9 6 0 12 5 6 12 8 5 6 8 7 6 11 10 5 9 9 12 7 11
Nivel 2 (pixeles) 26 38 14 43 15 24 41 14 20 16 38 17 14 13 13 19 18 14 25 36 21 23 18 17
Nivel 3 (pixeles) 46 57 34 43 54 24 113 79 79 57 70 45 57 42 36 30 37 32 40 24 45 32 56 44
La Tabla 4.2 indica el rea en pixeles de los objetos segmentados mediante este algoritmo. Conforme progrese esta enfermedad el rea de estos objetos segmentados aumentar.
87
Captulo 4
Algoritmo Propuesto
4.3.2 Segmentacin de Exudados Duros

Los Exudados Duros son depsitos de lpidos y son el resultado de las fugas de fluidos sanguneos de los Microaneursmas y de los capilares que circundan la zona macular [9, 10]. Si el lpido se extiende a la zona macular, la visin puede verse seriamente comprometida [10]. Los Exudados Duros tienen un aspecto amarillento, no tienen forma o tamao definido y se localizan en cualquier parte de la retina [2, 6, 10]. El diagrama a bloques de la Figura 4.19 muestra de manera general el algoritmo propuesto para la segmentacin de los Exudados Duros.
Figura 4. 19 Diagrama a bloques del algoritmo propuesto para la segmentacin de los Exudados Duros.
El primer bloque de este algoritmo consiste en seleccionar la retinografa a color RGB que se quiere analizar, seguido de esto se redimensiona la imagen, se crea el borde circular de la retinografa, se localiza y crea la mscara del disco ptico, tal y como se realiz en los algoritmos de segmentacin de los Vasos Sanguneos y de los Microaneursmas descritos anteriormente, por lo que nicamente se describirn aquellos procesos que no han sido mencionados. Para eliminar el disco ptico de la retinografa se deben de seguir los pasos mostrados en la Figura 4.20.
Figura 4. 20 Pasos para la eliminacin de los Vasos Sanguneos.
88
Captulo 4
Algoritmo Propuesto
En la Figura 4.21 se muestran los resultados obtenidos en cada uno de los procesos de la eliminacin de los Vasos Sanguneos.
Figura 4. 21 Pasos para la eliminacin de los Vasos Sanguneos: a) Imagen RGB redimensionada, b) Imagen en escala de grises, c) Imagen con mejora de contraste y d) Imagen sin Vasos Sanguneos.
Como se mencion en el captulo 3 la clausura morfolgica consiste en una dilatacin seguida de una erosin. La funcin de dilatacin expande el rea de los Exudados Duros, mientras que la funcin de erosin remueve los Vasos Sanguneos, tal y como se mostr en la Figura 4.21 d). La siguiente etapa de este algoritmo consiste en detectar la ubicacin de los Exudados Duros y eliminar todos los objetos que no sean Exudados Duros. En la Figura 4.22 se muestra el diagrama a bloques para la deteccin de la ubicacin de los Exudados Duros.
Figura 4. 22 Pasos para la deteccin de los Exudados Duros.
89
Captulo 4
Algoritmo Propuesto
Para eliminar el disco ptico se binariza la imagen sin Vasos Sanguneos y a esta imagen se le resta la mscara del disco ptico. Para la eliminacin del borde circular se resta la imagen sin disco ptico menos la imagen del borde circular de la retinografa, a este resultado se le realiza una clausura morfolgica, posteriormente se binariza e invierten los valores. Por ltimo se implementa la operacin lgica AND usando la imagen resultante de la clausura morfolgica y la imagen binarizada. La Figura 4.23 muestra los resultados obtenidos en cada uno de los procesos de la segmentacin de los Exudados Duros.
Figura 4. 23 Pasos para la deteccin de los Exudados Duros: a) Imagen binarizada, b) Imagen sin disco ptico, c) Imagen sin borde circular, d) Clausura morfolgica, e) Imagen binarizada y f) Segmentacin final de los Exudados Duros.
90
Captulo 4 4.3.2.1 Resultados de la Segmentacin de los Exudados Duros
Algoritmo Propuesto
En la Figura 4.24 se muestra el resultado final de la segmentacin de los Exudados Duros en 4 imgenes del fondo de ojo.
Figura 4. 24 Segmentacin de los Exudados Duros.
En la Figura 4.24 se sobrepuso la imagen segmentada en la imagen a color RGB original para mejorar el aspecto visual de la segmentacin de los Exudados Duros. En la Tabla 4.3 se muestran las reas obtenidas de la segmentacin de los Exudados Duros en las 216 retinografas (54 de la No Retinopata Diabtica y 54 por cada estadio de la Retinopata Diabtica No Proliferativa).
91
Captulo 4
Tabla 4. 3 rea total de los Exudados Duros segmentados.
Algoritmo Propuesto
No. de Muestras 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 54
Nivel 0 No RD (pixeles) 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Nivel 1 RDNP Leve (pixeles) 0 25 0 0 0 57 0 37 0 0 62 0 0 0 0 8 0 369 0 0 0 0 0
Nivel 2 (pixeles) 5 132 0 1486 1 0 8 0 0 0 0 0 31 0 216 2 0 0 7 0 315 314 0
Nivel 3 (pixeles) 0 193 66 3 0 0 0 0 0 139 0 2315 717 0 0 169 459 0 255 528 107 1330 1279
120
La Tabla 4.3 indica el rea en pixeles de los objetos segmentados mediante este algoritmo, los cuales pueden aumentar o disminuir durante la progresin de la enfermedad.
92
Captulo 4
Algoritmo Propuesto
4.4
Anlisis de texturas
Una textura se define como una imagen compuesta por un gran nmero de elementos similares situados en lugares diferentes de la imagen [11]. Los sistemas convencionales de anlisis de texturas pueden ser agrupados en tres categoras: estructurales, estadsticos y espectrales. El anlisis de textura estructural es ms complejo en comparacin con el anlisis estadstico [3]. El anlisis de textura estadstico produce parmetros que describen la distribucin de los niveles de gris en trminos de propiedades estocsticas [11], estas mediciones incluyen energa, Entropa, correlacin, inercia y Homogeneidad [3]. La Figura 4.25 muestra el diagrama a bloques del anlisis de texturas empleado en este trabajo.
Figura 4. 25 Diagrama a bloques del anlisis de texturas.
4.4.1 Homogeneidad y Entropa

La Homogeneidad es la medida de la cercana de la distribucin de elementos de la matriz de coocurrencia entre los niveles de gris (MCNG) a la matriz de co-ocurrencia entre los niveles de gris (MCNG) diagonal. En la Figura 4.26 se muestra el diagrama a bloques del clculo de la Homogeneidad.
Figura 4. 26 Calculo de la Homogeneidad.
El primer bloque de este algoritmo consiste en seleccionar la retinografa a color RGB que se quiere analizar, seguido de esto se realiza una conversin del espacio de color (de RGB a Escala de grises).
93
Captulo 4
Algoritmo Propuesto
Posteriormente se crea la matriz de co-ocurrencia entre los niveles de gris de la imagen (MCNG), ( dnde: ( ) ) | | | | ( )
El trmino grises (
se define, como la frecuencia de repeticin de los pixeles pares en escala de ) cuando se separan por una distancia a lo largo del ngulo . Finalmente cada
elemento es normalizado y los valores que puede tomar la Homogeneidad estn entre 0 y 1, Por otro lado, la Entropa en procesamiento digital de imgenes se refiere a la cantidad de informacin que se puede obtener a partir de una imagen y el algoritmo empleado para calcular este valor se muestra en la Figura 4.27.
Figura 4. 27 Calculo de la Entropa.
El primer bloque de este algoritmo consiste en seleccionar la retinografa a color RGB que se quiere analizar, seguido de esto se realiza una conversin del espacio de color (de RGB a Escala de grises) y se mejora el contraste de la imagen en escala de grises. Posteriormente se calcula el valor de la Entropa el cual est dado en forma escalar.
4.4.1.1 Resultados del anlisis de texturas

Las Tablas 4.4 y 4.5 muestran los valores obtenidos en el clculo de la Homogeneidad y la Entropa en las 216 retinografas, respectivamente.
94
Captulo 4
Tabla 4. 4 Valores de la Homogeneidad.
Algoritmo Propuesto
No. de Muestras 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Nivel 0 No RD 0.9853 0.9932 0.9894 0.9871 0.9885 0.9818 0.9853 0.9875 0.9828 0.9894 0.9923 0.9890 0.9859 0.9881 0.9897 0.9884 0.9862 0.9778 0.9893 0.9888 0.9847 0.9842 0.9860
Nivel 1 RDNP Leve 0.9799 0.9759 0.9890 0.9940 0.9911 0.9922 0.9774 0.9813 0.9808 0.9922 0.9931 0.9879 0.9810 0.9796 0.9943 0.9781 0.9914 0.9854 0.9902 0.9837 0.9878 0.9873 0.9891
Nivel 2 RDNP Moderada 0.9893 0.9929 0.9863 0.9879 0.9885 0.9872 0.9796 0.9783 0.9848 0.9930 0.9824 0.9898 0.9803 0.9817 0.9823 0.9772 0.9765 0.9843 0.9829 0.9775 0.9750 0.9777 0.9787
Nivel 3 RDNP Severa 0.9731 0.9792 0.9823 0.9807 0.9798 0.9810 0.9895 0.9886 0.9881 0.9833 0.9869 0.9872 0.9842 0.9841 0.9815 0.9782 0.9754 0.9880 0.9810 0.9803 0.9879 0.9871 0.9845
54
0.9842
0.9861
0.9811
0.9895
Los valores mostrados en la Tabla 4.4 se utilizan para caracterizar la textura de la imagen de entrada a partir de su contenido de informacin en un intervalo de 0 a 1, determinando con ello la anormalidad o normalidad de un determinado nivel de distribucin de grises, respectivamente.
95
Captulo 4
Tabla 4. 5 Valores de la Entropa.
Algoritmo Propuesto
No. de Muestras 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Nivel 0 No RD 0.8180 0.7420 0.8117 0.8219 0.8152 0.9821 0.8180 0.8555 0.8169 0.7997 0.7949 0.8031 0.7686 0.8005 0.8144 0.8188 0.9868 1 0.7911 0.7819 0.8225 0.8159 0.9778
Nivel 1 RDNP Leve 0.7480 0.7830 0.7465 0.7997 0.8079 0.8001 0.7318 0.8055 0.8023 0.8398 0.7796 0.7151 0.8268 0.8239 0.7933 0.7457 0.7914 0.8602 0.7151 0.7931 0.8163 0.8144 0.8057
Nivel 2 0.8088 0.7696 0.8123 0.8233 0.8081 0.7155 0.7459 0.7292 0.7501 0.7818 0.8371 0.8108 0.7438 0.8268 0.8176 0.7487 0.8610 0.7286 0.7614 0.8199 0.8118 0.8234 0.7294
Nivel 3 0.7979 0.7222 0.7824 0.7673 0.8272 0.8145 0.7796 0.7683 0.7332 0.8246 0.8186 0.8241 0.8849 0.7230 0.8100 0.7334 0.8760 0.7220 0.8259 0.7470 0.7158 0.8175 0.8064
54
0.8159
0.7161
0.8233
0.7563
Los valores mostrados en la Tabla 4.5 se utilizan para caracterizar la textura de la imagen de entrada a partir de la cantidad de informacin presente en esta imagen, en un intervalo entre 0 y 1, donde 0 corresponde a menor cantidad de informacin y 1 corresponde a mayor cantidad de informacin.
96
Captulo 4
Algoritmo Propuesto
4.5
Anlisis de Varianza (ANOVA)
El anlisis de varianza (ANOVA) [12-14] es la tcnica comnmente usada para comparar y decidir si las medias de los grupos de datos medidos son diferentes [3, 13, 14]. Esta prueba utiliza la varianza en los grupos y se traduce en una variacin entre ellos, teniendo en cuenta cuantas muestras hay en el grupo. Si las diferencias observadas son altas, entonces se considera que es estadsticamente significativo [15]. El resultado del anlisis de varianza de las reas segmentadas (Vasos Sanguneos, Microaneursmas y Exudados Duros) y del anlisis de texturas (Homogeneidad y Entropa) para las 216 imgenes empleadas en este trabajo se muestra en la Tabla 4.6, en la cual se puede observar que nuestras caractersticas son clnicamente significativas, ya que en este trabajo se obtuvo un valor de diferencia.
Tabla 4. 6 Media y Desviacin Estndar de las caractersticas propuestas como entradas de la Red Neuronal Artificial.
Escala de severidad de la Retinopata Diabtica propuesta por la ALFEDIAM Caracterstica de entrada
VS rea (Pixeles) An rea (Pixeles) ED rea (Pixeles) Homogeneidad Entropa 0.18031.2707 0.9860.0035 0.61820.4802 12.740453.2505 0.98630.0042 0.58530.2984 64.8005224.1606 0.98350.0040 0.58440.3165 313.3023751.2100 0.98430.0044 0.58490.3253 0.0030 0.0001 0.0001 0.24051.1908 7.68023.0605 22.64038.3307 46.080220.9100 0.0001 137263309.9012 122402496.3004 144153176.6004 136352496 0.0030
menor a 0.01. Donde
es el valor de significancia o nivel de riesgo
aceptado en caso de concluir que existen diferencias entre las medias cuando no existe ninguna
No RD
RDNP Leve
RDNP Moderada
RDNP Severa
Valor - p
Donde, VS = Vasos Sanguneos, An = Microaneursmas y ED = Exudados Duros. En las Figuras 4.28 y 4.29 se muestra la representacin grfica de la media y la desviacin estndar de las caractersticas usadas como entradas de la Red Neuronal de Retropropagacin.
97
Captulo 4
Algoritmo Propuesto
Figura 4. 28 Diagrama de cajas del rea total de la segmentacin de: a) Vasos Sanguneos, b) Microaneursmas y c) Exudados Duros.
98
Captulo 4
Algoritmo Propuesto
Figura 4. 29 Diagrama de cajas para los valores de: a) Homogeneidad y b) Entropa.
A travs de los diagramas de caja mostrados anteriormente, se puede observar que los valores medios son distintos en cada grupo, por lo tanto estos parmetros se pueden emplear como las neuronas de la capa de entrada de la Red Neuronal Artificial. Adems, en la Figura 4.28 a) se puede observar que el rea de los Vasos Sanguneos segmentados no aumenta conforme a la progresin de la Retinopata Diabtica, sin embargo, en las Figuras 4.28 b) y 4.28 c) se puede observar que el rea de los Microaneursmas y de los Exudados Duros segmentados si aumentan conforme a la progresin de la Retinopata Diabtica, por lo tanto, estas caractersticas sern las ms determinantes en la toma de decisiones.
4.6
Toma de decisiones
El diagnstico de la No Retinopata Diabtica y de los estadios de la Retinopata Diabtica No Proliferativa se lleva a cabo a travs del anlisis de una retinografa a color RGB mediante la Red Neuronal de Retropropagacin, la cual se muestra en la Figura 4.30.
99
Captulo 4
Algoritmo Propuesto
Figura 4. 30 Arquitectura de la Red Neuronal de Retropropagacin.
Aqu, la capa de entrada est compuesta por cinco neuronas, las cuales corresponden al nmero de caractersticas empleadas para la deteccin y clasificacin de la No Retinopata Diabtica y de los estadios de la Retinopata Diabtica No Proliferativa. La capa oculta est formada por dos capas con diez neuronas cada una, el nmero de neuronas se determin a partir del teorema de Kolmogorov: El nmero de neuronas en la capa oculta no requiere ser ms grande que dos
veces el nmero de entradas [16]. Y la capa de salida est conformada por cuatro neuronas,
una de las cuales corresponde a la No Retinopata Diabtica y las tres restantes corresponden a los estadios de la Retinopata Diabtica No Proliferativa. En la Tabla 4.7 se muestra la representacin binaria usada en este algoritmo para cada una de estas neuronas.
Tabla 4. 7 Representacin Binaria de las neuronas de la capa de salida.
Neuronas de la capa de salida
Representacin Binaria
No Retinopata Diabtica RDNP Leve RDNP Moderada RDNP Severa
00 01 10 11
100
Captulo 4
Algoritmo Propuesto
4.6.1 Resultados Experimentales

Esta red fue entrenada mediante el mtodo de aprendizaje supervisado, usando un total de 140 retinografas a color RGB. El mtodo de aprendizaje supervisado consiste en introducir los ejemplos y un conjunto de datos con informacin relativa a la solucin del problema. En el captulo anterior se mencion, que los pesos de la red neuronal se deben iniciar con valores pequeos, por lo tanto, los valores de las Tablas 4.1 a 4.5 han sido normalizados con respecto al valor mximo obtenido, dando como resultado un intervalo de 0 a 1. La Tabla 4.8 muestra los valores normalizados que conforman el vector de entrenamiento de la Red Neuronal de Retropropagacin.
Tabla 4. 8 Vector de entrenamiento.
No. de Muestras 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Vasos Sanguneos 0.4725 0.4829 0.4794 0.7437 0.5520 0.4815 0.6308 0.8594 0.6389 0.4943 0.4777 0.6762 0.5553 0.5976 0.5548 0.6992
Microaneursmas
Exudados Duros
Homogeneidad
Entropa
Escala de Severidad de la RD
0 0.0442 0.2300 0.4070 0 0.0973 0.3362 0.5044 0 0.0442 0.1238 0.3008 0 0.0796 0.3805 0.3805
0 0 0.0011 0 0 0.0056 0.0296 0.0433 0 0 0 0.0148 0 0 0.3340 0.0006
0.9910 0.9855 0.9949 0.9787 0.9989 0.9815 0.9986 0.9848 0.9950 0.9947 0.9919 0.9879 0.9928 0.9996 0.9935 0.9863
0.8180 0.7937 0.8088 0.7979 0.7420 0.7841 0.7696 0.7222 0.8117 0.8048 0.8123 0.7824 0.8219 0.8008 0.8233 0.7673
00 01 10 11 00 01 10 11 00 01 10 11 00 01 10 11
140
0.4097
0.5398
0.9905
0.8082
11
101
Captulo 4
Algoritmo Propuesto
En la Figura 4.31 se muestra el resultado del entrenamiento de la Red Neuronal de Retropropagacin, la cual convergi a un valor de 0.000998 en 290 iteraciones. El valor de convergencia indica que el error mximo aceptado para cada muestra o ejemplo, debe ser menor al 0.1%.
Figura 4. 31 Convergencia de la red neuronal de retropropagacin.
4.7
Conclusiones
En este captulo se explicaron los algoritmos desarrollados para detectar, segmentar y calcular de manera automtica el rea de los Vasos Sanguneos, los Microaneursmas y los Exudados Duros, as como los algoritmos usados para calcular los valores de Homogeneidad y Entropa de la imagen del fondo de ojo a analizar. Tambin se mostr mediante el anlisis de varianza que las medias de nuestras cinco caractersticas propuestas para la clasificacin de la No Retinopata Diabtica y de los estadios de la Retinopata Diabtica No Proliferativa son clnicamente significativas, esto significa que estas caractersticas pueden ser empleadas como parmetros de entrada de la Red Neuronal de Retropropagacin. Por otro lado, la Red Neuronal de Retropropagacin fue entrenada mediante el mtodo de aprendizaje supervisado, obteniendo un error mximo permitido de 0.1% para cada muestra o ejemplo que no haya sido usado en la etapa de entrenamiento, es decir, para las imgenes a analizar (etapa de validacin del sistema).
102
Captulo 4
Algoritmo Propuesto
4.8
[1]
Referencias
F. Zana and J. Klein, A multimodal registration algorithm of eye fundus images using vessels
detection and Hough transform, IEEE Trans. Med. Imag., 1999, Vol. 18, pp. 419-428.
[Consulted on July 2011], Available at: http://www.google.com/url?sa=t&source=web&cd=1&sqi=2&ved=0CB0QFjAA&url=http%3 A%2F%2Fciteseerx.ist.psu.edu%2Fviewdoc%2Fdownload%3Fdoi%3D10.1.1.122.4469%26re p%3Drep1%26type%3Dpdf&ei=0bztTZacOYrUtQOR3dm_Aw&usg=AFQjCNGzJ28TWatT9K PhpxJE_D5eCX9-eg [2] C. Sinthanayothin, J.F. Boyee, T.H. Williamson, H.L. Cook, E. Mensah, S. Lal and D. Usher,
Automatic detection of diabetic retinopathy on digital fundus images , Diabetic Med., Vol. 19,
pp. 105-112, 2002. [Consulted on July 2011], Available at: http://csusap.csu.edu.au/~hjelinek/neuro/OpticDisk/OD_references/(5510e)sinthanayothin2002%20hard%20exudates%20automated%20dr%20haemorrhage.pdf J. Nayak, P.S. Bhat, R. Acharya, C.M. Lim and M. Kagathi, Automated Identification of
[3]
107-115. [Consulted on July 2011], Available at: http://www.springerlink.com/content/7638t987585q4w32/fulltext.pdf [4] J. Staal, M.D. Abramoff, M. Niemeijer, M.A. Viergever and B. Van Ginneken, Ridge-based
vessel segmentation in color images for the retina, IEEE Trans. Med. Imag., Vol. 23, pp. 501509, 2004. [Consulted on July 2011], Available at: http://www.siue.edu/~sumbaug/RetinalProjectPapers/RideBased%20Vessel%20Segmentation%20in%20Color%20Images%20of%20the%20Retina.pdf [5] A. Hovover and M. Goldbaum, Locating the optic nerve in a retinal image using the fuzzy
convergence of the blood vessels, IEEE Trans. Med. Imag., Vol. 22, pp. 951-958, 2003.
[Consulted on July 2011], Available at: [6] http://www.uhu.es/retinopathy/General/030801IEEETransMedImag.pdf A.K. Khurana, Comprehensive Ophthalmology, 4th ed., New Delhi, India: New Age International (P) Ltd., 2007, ISBN-10: 8122420419, ISBN-13: 9788122420418, pp. 17, 249-252, 259-261, 477-478, 564-569. [7] A.D. Fleming, S. Philip, K.A. Goatman, J.A. Olson and P.F. Sharp, Automated microaneurysm
detection using local contrast normalization and local vessel detection , IEEE Transactions in
Medical Imaging, 2006, Vol. 25 (Suppl. 9), pp. 12231232. [Consulted on July 2011], Available at: http://es.scribd.com/doc/40369076/Automated-Micro-Aneurysm-Detection-Using-LocalContrast-Normalization-and-Local-Vessel-Detection
103
Captulo 4
[8]
Algoritmo Propuesto
Mthodes d'Evaluation de Systmes de Segmentation et d'Indexation Ddies l'Ophtalmologie Rtinienne. [Consult Juillet 2011], Disponible : http://messidor.crihan.fr/download.php
[9] [10]
M.W. Leitman, Manual for Eye Examination and Diagnosis, 7th Ed., Oxford, England: WileyBlackwell, 2007, ISBN-13: 9781405168229, pp. 100-104, 106-107, 113-119. T. Walter, J.C. Klein, P. Massin and A. Erginay, A contribution of image processing to the
diagnosis of diabetic retinopathy - detection of exudates in color fundus images of the human retina, IEEE Transactions on Medical Imaging, 2002, Vol. 21, pp. 12361243.
[Consulted on August 2011], Available at: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=1174101 [11] L. Boroczky, P. Cremonesi and N. Scarabottolo, Texture Analysis for Image Processing on
General-Purpose Parallel Machines, International Symposium on Parallel Architectures,

Algorithms and Networks, ISPAN, 1994. [Consulted on August 2011], Available at: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=367169 [12] [13] J.N. Miller and J.C. Miller, Estadstica y Quimiometra para Qumica Analtica , 4ta Ed., Madrid, Espaa: Pearson Prentice Hall, 2002, pp. 43-65. ANOVA, Department of Psychology, Georgetown University. [Consulted on August 2011], Available at:
http://psychology.georgetown.edu/resources/researchmethods/statistics/8362.html
[14] J. McDonald, Handbook of Biological Statistics, 2nd Ed., Baltimore, USA: Sparky House Publishing, 2009, pp. 123-126. [Consulted on August 2011], Available at: http://www.lulu.com/items/volume_66/3862000/3862228/4/print/statpdf2.pdf [15] U.R. Acharya, K.C. Chua, E.Y.K. Ng, W. Wei and C. Chee, Application of higher order spectra
for the identification of diabetic retinopathy stages, J. Med. Syst. Vol. 32, Suppl.(6), pp. 481
488, 2008. [Consulted on August 2011], Available at: http://www.springerlink.com/content/m7637r85130m5443/fulltext.pdf [16]
Approximation Capabilities of Feedforward Neural Networks for Continuous Functions.

[Consulted on August 2011], Available at: http://neuron.eng.wayne.edu/tarek/MITbook/chap2/2_3.html
104
Captulo
Resultados, Conclusiones y Trabajo a Futuro
No creo que haya alguna emocin ms intensa para un inventor que ver alguna de sus creaciones funcionando. Esa emocin hace que uno se olvide de comer, de dormir, de todo. Nikola Tesla (1856 - 1943.)
5.1
Introduccin
En este captulo se presentan los resultados de la evaluacin del Sistema Diagnstico Asistido por Computadora, la interfaz grfica desarrollada, las conclusiones y las recomendaciones para trabajo a futuro derivadas de esta tesis.
5.2.
Evaluacin del Sistema Diagnstico Asistido por Computadora
Los ndices de calidad empleados en la evaluacin de los sistemas de diagnstico mdico son la sensibilidad y la especificidad [1,2], por lo tanto, estos ndices fueron utilizados en la evaluacin del diagnstico mdico proporcionado por la Red Neuronal de Retropropagacin. La sensibilidad se define como la probabilidad de clasificar correctamente a un individuo enfermo [3,4], en otras palabras, es la capacidad del estudio para diagnosticar la enfermedad. Matemticamente se expresa como: ( )
105
Captulo 5
Resultados Experimentales
Por otro lado, la especificidad se define como la probabilidad de clasificar correctamente a un individuo sano [3,4], dicho de otra forma, es la capacidad del estudio para diagnosticar a los individuos sanos. Matemticamente se expresa como: ( )
La relacin entre el resultado de una prueba diagnstica y la presencia o ausencia de una enfermedad puede ser agrupada en 4 conjuntos, tal y como se muestra en la Tabla 5.1.
Tabla 5. 1 Tabla de contingencia.
Resultado del estudio Positivo Negativo
Diagnstico Verdadero Enfermo Verdaderos Positivos (VP) Falsos Negativos (FN) Sano Falsos Positivos (FP) Verdaderos Negativos (VN)
Dnde: Verdaderos Positivos (VP).- Cuando la enfermedad est presente y se diagnostica al paciente como enfermo. Falsos Positivos (FP).- Cuando la enfermedad no est presente pero al paciente se le diagnostica como enfermo. Verdaderos Negativos (VN).- Cuando la enfermedad no est presente y se diagnostica al paciente como sano. Falsos Negativos (FN).- Cuando la enfermedad est presente y esta no se diagnostica.
106
Captulo 5
5.2.1 Resultados experimentales del Sistema CADx

Al implementar los algoritmos descritos en el captulo 4 en 76 retinografas a color RGB se obtuvieron los valores de entrada que se muestran en la Tabla 5.2, estos valores sern analizados por la Red Neuronal de Retropropagacin con la finalidad de diagnosticar la No Retinopata Diabtica y los estadios de la Retinopata Diabtica No Proliferativa.
Tabla 5. 2 Vector de validacin de la Red Neuronal de Retropropagacin.
Neuronas de la capa de entrada de la Red Neuronal de Retropropagacin No. de Muestras 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Vasos Sanguneos 0.6206 0.3274 0.5276 0.7577 0.1962 0.5188 0.4856 0.4747 1 0.5943 0.7109 0.4943 0.5356 0.5775 0.5336 0.4794 0.3274 0.0619 0.0973 0 0.0442 0.6460 0.0442 0.3362 0.1415 0 0.1592 0.0442 0.3008 0.4601 0 0.2300 Microaneursmas Exudados Duros 0.0042 0.0002 0 0 0 0 0 0.2497 0.0096 0 1 0 0 0.1697 0 .0011 0.9916 0.9907 0.9917 0.9903 0.9999 0.9959 0.9935 0.9949 0.9810 0.9916 0.9886 0.9947 0.9917 0.9917 0.9943 0.9949 0.8156 0.8156 0.7161 0.8225 0.7962 0.8175 0.7373 0.8166 0.7497 0.8306 0.8121 0.8037 0.7637 0.8190 0.7903 0.8088 Homogeneidad Entropa
75 76
0.3737 0.4798
0.0884 0.9823
0 0.0116
0.9912 0.9940
0.8002 0.7463
Los resultados del diagnstico obtenido a la salida de la Red Neuronal de Retropropagacin y el diagnstico brindado por el oftalmlogo se muestran en la Tabla 5.3.
107
Captulo 5
Tabla 5. 3 Validacin del diagnostico
No. De Muestras DX Mdico DX RN Diferencia No. De Muestras DX Mdico DX RN Diferencia No. De Muestras DX Mdico DX RN Diferencia No. De Muestras DX Mdico DX RN Diferencia 01 01 VP 10 10 VP 11 11 VP 00 00 VN 01 00 FN 10 10 VP 11 11 VP 00 00 VN 01 01 VP 10 00 FN 11 11 VP 00 00 VN 10 11 VP 58 11 11 VP 59 00 00 VN 60 01 01 VP 61 10 10 VP 62 11 10 VP 63 00 00 VN 64 01 01 VP 65 10 10 VP 66 11 11 VP 67 00 00 VN 68 01 01 VP 69 11 11 VP 39 00 00 VN 40 01 01 VP 41 10 11 VP 42 11 10 VP 43 00 00 VN 44 01 01 VP 45 10 10 VP 46 11 11 VP 47 00 00 VN 48 01 01 VP 49 10 10 VP 50 00 00 VN 20 01 01 VP 21 10 10 VP 22 11 11 VP 23 00 00 VN 24 01 01 VP 25 10 11 VP 26 11 11 VP 27 00 00 VN 28 01 01 VP 29 10 10 VP 30 11 11 VP 31 1 2 3 4 5 6 7 8 9 10 11 12
13 00 00 VN 32 11 11 VP 51 10 10 VP 70 01 01 VP
14 01 01 VP 33 00 00 VN 52 11 11 VP 71 10 10 VP
15 10 10 VP 34 01 01 VP 53 00 00 VN 72 11 00 FN
16 11 11 VP 35 10 10 VP 54 01 01 VP 73 00 01 FP
17 00 00 VN 36 11 11 VP 55 10 10 VP 74 01 01 VP
18 01 01 VP 37 00 00 VN 56 11 11 VP 75 10 10 VP
19 10 11 VP 38 01 01 VP 57 00 00 VN 76 11 11 VP
Dx Mdico = Diagnstico Mdico, Dx RN = Diagnstico de la Red Neuronal, No Retinopata Diabtica = 00, RDNP Leve = 01, RDNP Moderada = 10 y RDNP Severa = 11
El color azul indica que la enfermedad no est presente y se diagnostic al paciente como sano. El color verde indica que la enfermedad est presente, se diagnostic al paciente como enfermo y el estadio de la Retinopata Diabtica No Proliferativa es correcto. El color rojo indica que la enfermedad est presente y se diagnostic al paciente como enfermo: pero el estadio de la Retinopata Diabtica No Proliferativa es incorrecto. Por otro lado, los errores cometidos por la Red Neuronal de Retropropagacin se evaluaron como Falsos Positivos y Falsos Negativos, donde: El color morado indica que la enfermedad est presente y esta no se diagnostic. El color naranja indica que la enfermedad no est presente y se diagnostic al paciente como enfermo.
108
Captulo 5
Cabe mencionar que en este trabajo de tesis, la Red Neuronal de Retropropagacin cometi errores que no entran en la clasificacin anterior (Falsos Positivos y Falsos Negativos), ya que al realizar un diagnstico Verdadero Positivo la Red Neuronal no fue capaz de indicar el estadio correcto del paciente verdaderamente enfermo, por lo tanto, fue necesario calcular el error, el cual se define como el nmero total de Verdaderos Positivos no clasificados en el estadio correcto (errores totales), entre el nmero total de las muestras. Matemticamente se expresa como: ( )
La Tabla 5.4 muestra la relacin entre el resultado de una prueba diagnstica y la presencia o ausencia de una enfermedad. El nmero total de muestras empleadas fue de 76 imgenes.
Tabla 5. 4 Tabla de contingencia del Diagnstico emitido por la Red Neuronal de Retropropagacin.

Error al indicar la gravedad del paciente verdaderamente enfermo
Diagnstico Verdadero Enfermo 54 3 6 Sano 1 18
Para validar la Red Neuronal de Retropropagacin se realizaron pruebas de sensibilidad, especificidad y error, estos resultados se muestran en la Tabla 5.5.
Tabla 5. 5 ndices de calidad del diagnstico emitido por la Red Neuronal de Retropropagacin.
% Sensibilidad % Especificidad % Error en la clasificacin de la gravedad del paciente verdaderamente enfermo 95 % 95 % 8%
Para saber el comportamiento de la Red Neuronal de Retropropagacin en cada estadio de la Retinopata Diabtica No Proliferativa se calcularon los ndices de sensibilidad, especificidad y error para cada uno de ellos.
109
Captulo 5
En la Tabla 5.6 se muestran los diagnsticos obtenidos para la No Retinopata Diabtica y la Retinopata Diabtica No Proliferativa Leve, mientras que en la Tabla 5.7 se presentan sus ndices de calidad.
Tabla 5. 6 Tabla de contingencia del Diagnstico de No RD y RDNP Leve.

Tabla 5. 7 ndices de calidad para la No RD y la RDNP Leve.
En la Tabla 5.8 se muestran los diagnsticos obtenidos para la No Retinopata Diabtica y la Retinopata Diabtica No Proliferativa Moderada, mientras que en la Tabla 5.9 se presentan sus ndices de calidad.
Tabla 5. 8 Tabla de contingencia del Diagnstico de No RD y RDNP Moderada.

Tabla 5. 9 ndices de calidad para la No RD y la RDNP Moderada.
% Sensibilidad % Especificidad % Error en la clasificacin de la gravedad del paciente verdaderamente enfermo 95 % 95 % 11 %
110
Captulo 5
En la Tabla 5.10 se muestran los diagnsticos obtenidos para la No Retinopata Diabtica y la Retinopata Diabtica No Proliferativa Severa, mientras que en la Tabla 5.11 se presentan sus ndices de calidad.
Tabla 5. 10 Tabla de contingencia del Diagnstico de No RD y RDNP Severa.

Tabla 5. 11 ndices de calidad para la No RD y la RDNP Severa.
Se puede observar que en la clasificacin de la Retinopata Diabtica No Proliferativa Leve se obtuvo un error del 0%, lo cual indica que este Sistema Diagnstico Asistido por Computadora es capaz de clasificar correctamente este estadio. Por otro lado, en la clasificacin de la Retinopata Diabtica No Proliferativa Moderada se obtuvo un error del 11%, mientras que en la clasificacin de la Retinopata Diabtica No Proliferativa Severa el error fue del 5%, lo anterior indica que en algunos casos el Sistema Diagnstico Asistido por Computadora no fue capaz de clasificar correctamente el estadio del paciente verdaderamente enfermo, esto se debe a las similitudes que existen entre las caractersticas que definen a ambos estadios, como ejemplo de esto se tiene que el Sistema Diagnstico Asistido por Computadora clasific en 4 ocasiones la RDNP Moderada como RDNP Severa, mientras que en 2 ocasiones clasific la RDNP Severa como RDNP Moderada. Por ltimo, la sensibilidad y la especificidad del Sistema Diagnstico Asistido por Computadora para la deteccin de la No Retinopata Diabtica y de la Retinopata Diabtica No Proliferativa desarrollado en este trabajo de tesis fueron del 95%, mientras que el error en la clasificacin correcta de los estadios fue del 8%.
111
Captulo 5
5.3
Interfaz Grfica
Con el objetivo de facilitar la implementacin del algoritmo desarrollado en este trabajo de tesis se decidi disear una interfaz grfica haciendo uso del programa MATLAB revisin 2010a, la cual est conformada por cuatro secciones, como se muestra en la Figura 5.1.
Figura 5. 1 Interfaz grfica.
dnde: Seccin 1.- Retinografa Original: En esta seccin se carga la retinografa que se quiere analizar, se inicia o re-establece el anlisis de la retinografa y se termina la sesin. Seccin 2.- Retinografa Segmentada: En esta seccin se muestra la segmentacin de las patologas y de los vasos sanguneos presentes en la retinografa original. Seccin 3.- reas Obtenidas de la Segmentacin: En esta seccin se muestran las reas que se obtienen al segmentar la retinografa original. Seccin 4.- Diagnstico Final: En esta seccin se presenta el diagnstico final emitido por la Red Neuronal de Retropropagacin. Esta interfaz grfica se prob en los Sistemas Operativos Linux Ubuntu 11.10 y Windows 7.
112
Captulo 5
5.4
Conclusiones
En este trabajo de tesis se present el desarrollo de un Sistema Diagnostico Asistido por Computadora capaz de detectar y diagnosticar de manera automtica la No Retinopata Diabtica y los estadios de la Retinopata Diabtica No Proliferativa a partir del anlisis de criterios clnicos en una imagen del fondo de ojo, obteniendo una sensibilidad y una especificidad del 95%, y un error en la clasificacin de los estadio de la Retinopata Diabtica No Proliferativa del 8%. Por otro lado, a travs de los algoritmos de pre-procesamiento implementados en este trabajo, fue posible determinar que la etapa de pre-procesamiento puede ser de gran ayuda para el especialista mdico al momento de analizar las imgenes del fondo de ojo de manera convencional, debido a que estos algoritmos resaltan las caractersticas presentes en la imagen, en este caso las patologas (Microaneursmas y Exudados Duros) y los Vasos Sanguneos. Adems de mejorar el aspecto visual de la retinografa y resaltar las caractersticas o regiones de inters, se logr realizar la deteccin y segmentacin automtica de la Red Vascular, el Disco ptico, los Microaneursmas y los Exudados Duros por medio de las tcnicas de deteccin de bordes, umbralizacin y morfologa matemtica. Tambin se realiz el anlisis de las partes en que se dividi la imagen (objetos segmentados) a travs de la implementacin de la tcnica de medicin geomtrica (clculo del rea de los objetos segmentados) y las tcnicas estadsticas de anlisis de texturas (homogeneidad y entropa). Para realizar la clasificacin de la No Retinopata Diabtica y de los estadios de la Retinopata Diabtica No Proliferativa, se hizo uso de los algoritmos inteligentes denominados Redes Neuronales Artificiales. Las Redes Neuronales Artificiales son sistemas de reconocimiento que pueden generalizar aprendiendo de ejemplos, adems se pueden implementar computacionalmente como clasificadores, en base a lo anterior, se opt por usar la Red Neuronal de Retropropagacin, la cual tiene como principal ventaja la capacidad de adaptar automticamente los pesos de las neuronas de las capas intermedias para aprender la relacin que existe entre un conjunto de patrones dados como ejemplo y sus salidas correspondientes.
113
Captulo 5
Por ltimo, cabe mencionar que el Sistema Diagnstico Asistido por Computadora desarrollado en este trabajo de tesis tarda un minuto aproximadamente en analizar y emitir el diagnstico mdico, lo cual muestra que el anlisis computarizado de las imgenes del fondo de ojo es una forma segura y rpida para identificar a las personas con Retinopata Diabtica.
5.5
Trabajo a futuro
A pesar de que con el desarrollo del presente trabajo, se ha cumplido de manera satisfactoria y en su totalidad con los objetivos especficos planteados, existen algunas mejoras que se pueden realizar, las cuales se enlistan a continuacin: Ampliar la base de datos de las imgenes del fondo de ojo diagnosticadas por un mdico especialista y entrenar la Red Neuronal de Retropropagacin con esta base de datos, con el objeto de incrementar los porcentajes de sensibilidad y especificidad, y al mismo tiempo disminuir el error en la clasificacin de los estadios de la Retinopata Diabtica No Proliferativa. Realizar pruebas de campo, en hospitales, centros de salud, zonas rurales, escuelas, etc. Implementar algoritmos de procesamiento digital de imgenes con mayor complejidad en las etapas de pre-procesamiento (mejora de contraste con lgica difusa) y segmentacin (contornos activos para tener mayor precisin en la localizacin de los bordes de los Exudados Duros y de los Vasos Sanguneos). Agregar las patologas: hemorragias retinianas, drusas y edema macular, con el objeto de incrementar la consistencia diagnstica de la Retinopata Diabtica No Proliferativa. Desarrollar algoritmos que sean capaces de detectar y diagnosticar la Retinopata Diabtica Proliferativa.
114
Captulo 5
Implementar algoritmos Neuro-Difusos para la toma de decisiones y clasificacin de la Retinopata Diabtica (No Retinopata Diabtica, Retinopata Diabtica No Proliferativa y Retinopata Diabtica Proliferativa). Desarrollar un algoritmo que sea capaz de detectar y diagnosticar el desprendimiento de retina, tomando como base el algoritmo desarrollado en esta tesis.
Desarrollar un algoritmo que sea capaz de detectar y diagnosticar el glaucoma, tomando como base el algoritmo desarrollado en esta tesis.
5.6
[1]
Referencias
A. Sopharak, B. Uyyanonvara, S. Barman and T.H. Williamson, Automatic detection of diabetic
retinopathy exudates from non-dilated retinal images using mathematical morphology methods ,
Computerized Medical Imaging and Graphics, 2008, Vol. 32, pp. 720-727. [Consulted on July 2011], Available at: http://www.sciencedirect.com/science/article/pii/S0895611108000931 [2] E. Chaum, T.P. Karnowski, V.P. Govindasamy, M. Abdelrahman and K.W. Tobin, Automated
Diagnosis of Retinopathy by content-based image retrieval, The Journal of Retinal and

Vitreous Diseases, 2008, Vol. 28, pp. 1463-1476. [Consulted on July 2011], Available at: http://www.ncbi.nlm.nih.gov/pubmed/18997609?dopt=Abstract [3] A.K. Akobeng, Understanding diagnostic test 1: sensitivity, specificity and predictive values , Foundation Acta Pdiatrica/Acta Pdiatrica, 2006, Vol. 96, pp. 338341. [Consulted on July 2011], Available at: http://umanitoba.ca/faculties/medicine/units/pediatrics/sections/neonatology/media/Diag nosticTest1.pdf [4] G.M. Gaddis and M.L. Gaddis, Introduction to Biostatics: Part 3, Sensitivity, Specificity,
Predictive Value and Hypothesis Testing, Annals of Emergency Medicine, 1990, Vol. 19, pp.
591-597. [Consulted on July 2011], Available at: http://drtedwilliams.net/cop/726/726IntroBiostat3.pdf
115
Difusin del Trabajo de Tesis

Participacin en congresos:
J.S. Velzquez-Gonzlez, L. Quintanar, J.M. Kinani, F.J. Gallegos Funes, G.J. Guzmn Brcenas, O. Martnez Vargas (2010):Deteccin de Retinopata Diabtica mediante operadores de gradiente, VII Encuentro Participacin de la Mujer en la Ciencia , Len, Guanajuato, Mxico, 26-28 Mayo. J.S. Velzquez-Gonzlez, F.J. Gallegos-Funes, R. Cruz-Santiago, G.J. Guzmn Brcenas (2010): Segmentacin de exudados duros en retinografas a color RGB, VIII Congreso
Internacional Sobre Innovacin y Desarrollo Tecnolgico (CIINDET), Cuernavaca, Morelos,

Mxico, 24-26 Noviembre. J.S. Velzquez-Gonzlez, B. Garca Garca, J.M. Kinani, D.A. Fabila, F.J. Gallegos Funes, G.J. Guzmn Brcenas, L.B. Guzmn Brcenas (2010): Deteccin de Exudados Duros en Retinografas a color RGB, Vigsima Reunin de Otoo de Comunicaciones, Computacin,
Electrnica y Exposicin Industrial (ROC&C), Acapulco, Guerrero, Mxico, 28 de Noviembre al 4

de Diciembre.
116

Sistema Diagnóstico Asistido Por Computadora para La Detección de La Retinopatía Diabética No Pro

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Sistema Diagnóstico Asistido Por Computadora para La Detección de La Retinopatía Diabética No Pro

Transféré par

Droits d'auteur :

Formats disponibles

INSTITUTO POLITCNICO NACIONAL

SECCIN DE ESTUDIOS DE POSGRADO E INVESTIGACIN

Que para obtener el grado de

Ing. Jess Salvador Velzquez Gonzlez

Mxico D.F., Noviembre del 2011.

Acta de Revisin de Tesis

Carta Cesin de derechos

A Dios A mis padres:

A mis directores de tesis:

A mi hermano por brindarme todo su apoyo, confianza, cario, tiempo y

A mi novia por compartir conmigo su vida, su amor y sus sueos, adems

A las familias Velzquez Lpez, Gonzlez Heredia y Milans Zazueta por

Dr. Ral Pea Rivero por brindarme la oportunidad de vivir esta

experiencia, as como, por su tiempo, sus enseanzas y sus recomendaciones.

A mis directores de tesis el Dr. Francisco Javier Gallegos Funes y la Dra.

Dr. Alberto Jorge Rosales Silva, por su amistad, sus comentarios,

consejos y recomendaciones brindadas desde el primer da que lo conoc.

los Doctores Jos Hiram Espina Hernndez y Jos Alfredo Tirado

los Doctores Jos Manuel de la Rosa Vzquez, Suren Stolik Isakina,

Al Sr. Rodolfo Soria por su amistad y sus consejos. A

mis compaeros de maestra y amigos del laboratorio de Seales y

A la M. en C. Alejandra Guadalupe Barbeyto

Hernndez, directora del

A las Licenciadas Optometristas Olga Martnez Vargas, Adriana Aglade

A la Dra. Luz Belem Guzmn Brcenas, mdico especialista adscrito al

Al Dr. Roberto Ortiz Lerma, jefe del departamento clnico de Oftalmologa

Instituto Politcnico Nacional por todas las experiencias vividas

CONACyT y al PIFI, por el apoyo econmico que me fue otorgado

De antemano ofrezco una disculpa si omit a alguien en este apartado,

Jess Salvador Velzquez Gonzlez

Captulo 1.- Introduccin al proyecto

4.6.1 Resultados Experimentales ...................................................................................101

Difusin del Trabajo de Tesis ......................................................................................................116

Histograma de la imagen Hemorragias retinianas

FDA FN FP HSI IRMA OMS

PDI PIO RD RDNP RDP

RNA RGB RNRP VN VP

Planteamiento Del Problema

Image By Textures Segmentation Methods, International Journal of Recent Trends in

Anatoma del ojo

Fundamentos de la Retinopata Diabtica

Fundamentos de la Retinopata Diabtica

Fundamentos de la Retinopata Diabtica

Fundamentos de la Retinopata Diabtica

de los conos L, M y S, respectivamente, para la longitud de onda

Fundamentos de la Retinopata Diabtica

Fundamentos de la Retinopata Diabtica

Fundamentos de la Retinopata Diabtica

Perspectivas de la Retinopata Diabtica

Fundamentos de la Retinopata Diabtica

Fundamentos de la Retinopata Diabtica

Retinopata Diabtica No Proliferativa

Fundamentos de la Retinopata Diabtica

Fundamentos de la Retinopata Diabtica

Fundamentos de la Retinopata Diabtica

Clasificacin de la Retinopata Diabtica

2.5.1 Estadios de la Retinopata Diabtica No Proliferativa

Fundamentos de la Retinopata Diabtica

Mtodos de deteccin de la Retinopata Diabtica

Fundamentos de la Retinopata Diabtica

2.6.1.1 Oftalmoscopa directa

2.6.1.2 Oftalmoscopa indirecta

Fundamentos de la Retinopata Diabtica